java的正则去除HTML标签

提示：使用java正则表达式去除html标签

---

去除方法

• java的正则去除HTML标签
• 前言
• 一、部分测试使用html代码？
• 二、去除方法
• 总结

---

前言

由于业务对接别的公司的几个接口，接口返回的数据内容是整个html，所以要去除掉一部分，只保留自己需要的。下面是html的一部分做测试示例：

---

一、部分测试使用html代码？

	private  static  String html = "<p style=\"text-indent:43px;line-height:38px\">\n" +
            "  <strong>\n" +
            "    <span style=\"font-family: 方正仿宋简体;font-size: 21px\">截至10月23日，全球新冠肺炎确诊病例已突破4100万例。秋冬季来临，使得国内民众担心第二波疫情的来袭。在呼吸道传染病的高发季，中国是否会有新冠疫情的局部暴发，会有多大规模？“外防输入，内防扩散”政策下，还有哪些潜在漏洞需要堵住？就相关问题，中国疾病预防控制中心首席流行病学专家吴尊友接受了《中国新闻周刊》的独家专访。</span></strong>\n" +
            "</p>\n" +
            "<p style=\"text-indent: 43px; line-height: 38px; text-align: center;\">\n" +
            "  <strong>\n" +
            "    <span style=\"font-family: 方正仿宋简体;font-size: 21px\">\n" +
            "      <img src=\"https://img.ivsky.com/img/tupian/pre/201708/29/weilai_keji-007.jpg\" title=\"2020022011385209.png\" alt=\"image.png\" /></span>\n" +
            "  </strong>\n" +
            "</p>\n" +
            "<p style=\"text-indent:43px;line-height:38px\">\n" +
            "  <strong>\n" +
            "    <span style=\"font-family: 方正仿宋简体;font-size: 21px\"></span>\n" +
            "  </strong>\n" +
            "  <strong>\n" +
            "    <span style=\"font-family: 方正仿宋简体;font-size: 21px\">\n" +
            "      <span style=\"font-family:方正仿宋简体\">秋冬季防疫，四个潜在风险点要管控好中国新闻周刊：步入秋冬季，全国是否依然有疫情局部暴发的可能性，会不会比过去几个月北京、*、大连的疫情更严重，是否会达到年初的严重程度？吴尊友：疫情严重与否，取决于我们发现的快慢。如果发现的晚，就会很严重，如果发现的早，就能将严重疫情变得不严重。今年秋冬，我国出现疫情局部暴发的可能很小，但零星的病例或聚集性疫情出现，像类似于像青岛那样规模的这种可能性还是有的。</span></span>\n" +
            "  </strong>\n" +
            "</p>\n" +
            "<p style=\"text-align: center;\">\n" +
            "  <img src=\"https://img.ivsky.com/img/tupian/pre/201708/29/weilai_keji-008.jpg\" title=\"2020022011391104.png\" alt=\"image.png\" /></p>";

这是图片

二、去除方法

1.去除所有html标签 运行方法

代码如下（示例）：

public static void main (String[] args){
   String s = delHTMLTag(html);
   System.out.println(s);
}

public static String delHTMLTag(String htmlStr){
	String html = "<[^>]+>"; //定义HTML标签的正则表达式
	Pattern p_html = Pattern.compile(html,Pattern.CASE_INSENSITIVE);
    Matcher m_html = p_html.matcher(htmlStr);
    htmlStr=m_html.replaceAll(""); //过滤所有html标签
    return htmlStr.trim(); //返回文本字符串
}

运行结果

存在回车符‘/n’没去除掉

2.仅仅去除img标签，保留其他html标签 运行方法

代码如下（示例）：

public static void main (String[] args){
   String s = delHTMLTag(html);
   System.out.println(s);
}

public static String delHTMLTag(String htmlStr){
	String html = "<\\s*IMG\\s+([^>]+)\\s*>"; //仅去除img标签
	Pattern p_html = Pattern.compile(html,Pattern.CASE_INSENSITIVE);
    Matcher m_html = p_html.matcher(htmlStr);
    htmlStr=m_html.replaceAll(""); //过滤所有img标签
    return htmlStr.trim(); //返回文本字符串
}

运行结果

3.仅仅保留p标签和img标签，删除其他html标签 运行方法

代码如下（示例）：

public static void main (String[] args){
   String s = delHTMLTag(html);
   System.out.println(s);
}

public static String delHTMLTag(String htmlStr){
	//仅仅保留p标签和img标签,可自己修改保留其他标签，格式如下
	String html = "</?(?!img|p|/?p\\\\d)[^>]+>"; 
	Pattern p_html = Pattern.compile(html,Pattern.CASE_INSENSITIVE);
    Matcher m_html = p_html.matcher(htmlStr);
    htmlStr=m_html.replaceAll(""); //除p标签和img标签，过滤其他html标签
    return htmlStr.trim(); //返回文本字符串
}

运行结果

总结

还有一个是定义script的正则表达式，一个是定义style的正则表达式，

String script = "<script[^>]*?>[\\s\\S]*?<\\/script>"; //定义script的正则表达式
String style = "<style[^>]*?>[\\s\\S]*?<\\/style>"; //定义style的正则表达式

最后是文章使用的表达式图片，以作参考：

本文地址：https://blog.csdn.net/weixin_43502969/article/details/109227812