Bir dizeden HTML etiketlerini kaldırma

Bir Java dizesinden HTML kaldırmanın iyi bir yolu var mı? Basit bir normal ifade

 replaceAll("\\<.*?>","") 

çalışacak, ancak &doğru şekilde dönüştürülmeyecek ve iki açılı parantez arasındaki HTML olmayan öğeler kaldırılacak (yani .*?normal ifadede kaybolacak).

Normal ifade yerine bir HTML ayrıştırıcı kullanın. Jsoup için bu çok basit .

public static String html2text(String html) {
    return Jsoup.parse(html).text();
}

Jsoup da destekler sadece örn izin vermek istiyorsanız çok yararlıdır özelleştirilebilir beyaz listeye karşı HTML etiketlerini çıkarmadan <b>, <i>ve <u>.

Ayrıca bakınız:

• RegEx, XHTML bağımsız etiketleri hariç açık etiketleri eşleştirir
• Önde gelen Java HTML ayrıştırıcılarının artıları ve eksileri nelerdir?
• JSP / Servlet web uygulamasında XSS önleme

Android için yazıyorsanız bunu yapabilirsiniz ...

android.text.Html.fromHtml(instruction).toString()

Kullanıcı girerse <b>hey!</b>, görüntülemek <b>hey!</b>ister hey!misiniz? Birincisi, daha az tondan kaçın ve html kodlaması ve işaretleri (ve isteğe bağlı olarak tırnak işaretleri) ve sorun yok. İkinci seçeneği uygulamak için kodunuzda yapılacak bir değişiklik:

replaceAll("\\<[^>]*>","")

ancak kullanıcı gibi biçimlendirilmiş bir şey girerse sorunla karşılaşırsınız <bhey!</b>.

Ayrıca "kirli" html giriş ayrıştırmak ve size metin tutarak, etiketleri kaldırmak için bir yol vermek JTidy kontrol edebilirsiniz .

HTML'yi şeritlemeye çalışırken sorun, tarayıcıların çok yumuşak ayrıştırıcılara sahip olması, bulabileceğiniz herhangi bir kitaplıktan daha yumuşak olması, bu nedenle tüm etiketleri şeritlemek için elinizden gelenin en iyisini yapsanız bile (yukarıdaki değiştirme yöntemini, bir DOM kitaplığını veya JTidy'i) , olur yine çıktı güvenliğinin korunması için kalan HTML özel karakterler kodlamak için emin olmak gerekir.

Başka bir yol, metni çıkarmak için javax.swing.text.html.HTMLEditorKit kullanmaktır .

import java.io.*;
import javax.swing.text.html.*;
import javax.swing.text.html.parser.*;

public class Html2Text extends HTMLEditorKit.ParserCallback {
    StringBuffer s;

    public Html2Text() {
    }

    public void parse(Reader in) throws IOException {
        s = new StringBuffer();
        ParserDelegator delegator = new ParserDelegator();
        // the third parameter is TRUE to ignore charset directive
        delegator.parse(in, this, Boolean.TRUE);
    }

    public void handleText(char[] text, int pos) {
        s.append(text);
    }

    public String getText() {
        return s.toString();
    }

    public static void main(String[] args) {
        try {
            // the HTML to convert
            FileReader in = new FileReader("java-new.html");
            Html2Text parser = new Html2Text();
            parser.parse(in);
            in.close();
            System.out.println(parser.getText());
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

ref: Yalnızca TEXT ayıklamak için bir dosyadan HTML etiketlerini kaldırın

Html etiketleri filtrelemek için en basit yolu olduğunu düşünüyorum:

private static final Pattern REMOVE_TAGS = Pattern.compile("<.+?>");

public static String removeTags(String string) {
    if (string == null || string.length() == 0) {
        return string;
    }

    Matcher m = REMOVE_TAGS.matcher(string);
    return m.replaceAll("");
}

Ayrıca kullanımı çok basit Jericho ve biçimlendirmenin bazılarını koruyabilirsiniz (örneğin satır sonları ve bağlantılar).

    Source htmlSource = new Source(htmlText);
    Segment htmlSeg = new Segment(htmlSource, 0, htmlSource.length());
    Renderer htmlRend = new Renderer(htmlSeg);
    System.out.println(htmlRend.toString());

Jsoup.parse(html).text()Yapmanın kabul edilen cevabının sadece 2 potansiyel sorunu vardır (JSoup 1.7.3 ile):

• Metinden satır sonlarını kaldırır
• Metni <script>dönüştürür<script>

Bunu XSS'ye karşı korumak için kullanırsanız, bu biraz sinir bozucu. İşte JSoup ve Apache StringEscapeUtils kullanarak gelişmiş bir çözümde en iyi çekim:

// breaks multi-level of escaping, preventing &amp;lt;script&amp;gt; to be rendered as <script>
String replace = input.replace("&amp;", "");
// decode any encoded html, preventing &lt;script&gt; to be rendered as <script>
String html = StringEscapeUtils.unescapeHtml(replace);
// remove all html tags, but maintain line breaks
String clean = Jsoup.clean(html, "", Whitelist.none(), new Document.OutputSettings().prettyPrint(false));
// decode html again to convert character entities back into text
return StringEscapeUtils.unescapeHtml(clean);

Son adım, çıktıyı düz metin olarak kullanmam gerektiğidir. Yalnızca HTML çıktısına ihtiyacınız varsa, onu kaldırabilirsiniz.

Ve işte bir grup test durumu (çıktıya giriş):

{"regular string", "regular string"},
{"<a href=\"link\">A link</a>", "A link"},
{"<script src=\"http://evil.url.com\"/>", ""},
{"&lt;script&gt;", ""},
{"&amp;lt;script&amp;gt;", "lt;scriptgt;"}, // best effort
{"\" ' > < \n \\ é å à ü and & preserved", "\" ' > < \n \\ é å à ü and & preserved"}

Daha iyi bir yol bulursanız, lütfen bana bildirin.

Android'de şunu deneyin:

String result = Html.fromHtml(html).toString();

HTML Kaçış doğru yapmak gerçekten zor-kesinlikle bunu yapmak için kütüphane kodu kullanmanızı öneririz, çünkü düşündüğünüzden çok daha ince. Bu Java ile işlemek için oldukça iyi bir kütüphane için Apache's StringEscapeUtils göz atın .

Bu çalışmalı -

bunu kullan

  text.replaceAll('<.*?>' , " ") -> This will replace all the html tags with a space.

ve bu

  text.replaceAll('&.*?;' , "")-> this will replace all the tags which starts with "&" and ends with ";" like  , &, > etc.

Tim'in önerdiği gibi okunamayan bir karışıklık haline gelmesini önlemek için HTML'yi çıkarmadan önce yeni satırlarla değiştirmek <br/>ve </p>etiketlemek isteyebilirsiniz .

HTML etiketlerini kaldırmayı ancak köşeli parantezler arasında HTML dışı bırakmayı düşünebileceğim tek yol , bir HTML etiketi listesine karşı kontrol olacaktır . Bu çizgiler boyunca bir şey ...

replaceAll("\\<[\s]*tag[^>]*>","")

Sonra HTML gibi kodları çözmek için özel karakterler &. Sonuç sterilize edilmiş sayılmamalıdır.

Alternatif olarak, HtmlCleaner kullanılabilir :

private CharSequence removeHtmlFrom(String html) {
    return new HtmlCleaner().clean(html).getText();
}

Belirttiğim test senaryosu için kabul edilen cevap benim için çalışmadı: "a <b veya b> c" nin sonucu "ab veya b> c" dir.

Bunun yerine TagSoup kullandım. İşte test durumumda (ve diğer birkaç kişide) çalışan bir çekim:

import java.io.IOException;
import java.io.StringReader;
import java.util.logging.Logger;

import org.ccil.cowan.tagsoup.Parser;
import org.xml.sax.Attributes;
import org.xml.sax.ContentHandler;
import org.xml.sax.InputSource;
import org.xml.sax.Locator;
import org.xml.sax.SAXException;
import org.xml.sax.XMLReader;

/**
 * Take HTML and give back the text part while dropping the HTML tags.
 *
 * There is some risk that using TagSoup means we'll permute non-HTML text.
 * However, it seems to work the best so far in test cases.
 *
 * @author dan
 * @see <a href="http://home.ccil.org/~cowan/XML/tagsoup/">TagSoup</a> 
 */
public class Html2Text2 implements ContentHandler {
private StringBuffer sb;

public Html2Text2() {
}

public void parse(String str) throws IOException, SAXException {
    XMLReader reader = new Parser();
    reader.setContentHandler(this);
    sb = new StringBuffer();
    reader.parse(new InputSource(new StringReader(str)));
}

public String getText() {
    return sb.toString();
}

@Override
public void characters(char[] ch, int start, int length)
    throws SAXException {
    for (int idx = 0; idx < length; idx++) {
    sb.append(ch[idx+start]);
    }
}

@Override
public void ignorableWhitespace(char[] ch, int start, int length)
    throws SAXException {
    sb.append(ch);
}

// The methods below do not contribute to the text
@Override
public void endDocument() throws SAXException {
}

@Override
public void endElement(String uri, String localName, String qName)
    throws SAXException {
}

@Override
public void endPrefixMapping(String prefix) throws SAXException {
}


@Override
public void processingInstruction(String target, String data)
    throws SAXException {
}

@Override
public void setDocumentLocator(Locator locator) {
}

@Override
public void skippedEntity(String name) throws SAXException {
}

@Override
public void startDocument() throws SAXException {
}

@Override
public void startElement(String uri, String localName, String qName,
    Attributes atts) throws SAXException {
}

@Override
public void startPrefixMapping(String prefix, String uri)
    throws SAXException {
}
}

Bu eski olduğunu biliyorum, ama ben sadece HTML filtrelemek için gereken bir proje üzerinde çalışıyordu ve bu iyi çalıştı:

noHTMLString.replaceAll("\\&.*?\\;", "");

bunun yerine:

html = html.replaceAll(" ","");
html = html.replaceAll("&"."");

Burada, aralar ve listeler için bazı biçimlendirmeleri işlemeye çalışmak için biraz daha etli bir güncelleme var. Amaya'nın çıktısını rehber olarak kullandım.

import java.io.IOException;
import java.io.Reader;
import java.io.StringReader;
import java.util.Stack;
import java.util.logging.Logger;

import javax.swing.text.MutableAttributeSet;
import javax.swing.text.html.HTML;
import javax.swing.text.html.HTMLEditorKit;
import javax.swing.text.html.parser.ParserDelegator;

public class HTML2Text extends HTMLEditorKit.ParserCallback {
    private static final Logger log = Logger
            .getLogger(Logger.GLOBAL_LOGGER_NAME);

    private StringBuffer stringBuffer;

    private Stack<IndexType> indentStack;

    public static class IndexType {
        public String type;
        public int counter; // used for ordered lists

        public IndexType(String type) {
            this.type = type;
            counter = 0;
        }
    }

    public HTML2Text() {
        stringBuffer = new StringBuffer();
        indentStack = new Stack<IndexType>();
    }

    public static String convert(String html) {
        HTML2Text parser = new HTML2Text();
        Reader in = new StringReader(html);
        try {
            // the HTML to convert
            parser.parse(in);
        } catch (Exception e) {
            log.severe(e.getMessage());
        } finally {
            try {
                in.close();
            } catch (IOException ioe) {
                // this should never happen
            }
        }
        return parser.getText();
    }

    public void parse(Reader in) throws IOException {
        ParserDelegator delegator = new ParserDelegator();
        // the third parameter is TRUE to ignore charset directive
        delegator.parse(in, this, Boolean.TRUE);
    }

    public void handleStartTag(HTML.Tag t, MutableAttributeSet a, int pos) {
        log.info("StartTag:" + t.toString());
        if (t.toString().equals("p")) {
            if (stringBuffer.length() > 0
                    && !stringBuffer.substring(stringBuffer.length() - 1)
                            .equals("\n")) {
                newLine();
            }
            newLine();
        } else if (t.toString().equals("ol")) {
            indentStack.push(new IndexType("ol"));
            newLine();
        } else if (t.toString().equals("ul")) {
            indentStack.push(new IndexType("ul"));
            newLine();
        } else if (t.toString().equals("li")) {
            IndexType parent = indentStack.peek();
            if (parent.type.equals("ol")) {
                String numberString = "" + (++parent.counter) + ".";
                stringBuffer.append(numberString);
                for (int i = 0; i < (4 - numberString.length()); i++) {
                    stringBuffer.append(" ");
                }
            } else {
                stringBuffer.append("*   ");
            }
            indentStack.push(new IndexType("li"));
        } else if (t.toString().equals("dl")) {
            newLine();
        } else if (t.toString().equals("dt")) {
            newLine();
        } else if (t.toString().equals("dd")) {
            indentStack.push(new IndexType("dd"));
            newLine();
        }
    }

    private void newLine() {
        stringBuffer.append("\n");
        for (int i = 0; i < indentStack.size(); i++) {
            stringBuffer.append("    ");
        }
    }

    public void handleEndTag(HTML.Tag t, int pos) {
        log.info("EndTag:" + t.toString());
        if (t.toString().equals("p")) {
            newLine();
        } else if (t.toString().equals("ol")) {
            indentStack.pop();
            ;
            newLine();
        } else if (t.toString().equals("ul")) {
            indentStack.pop();
            ;
            newLine();
        } else if (t.toString().equals("li")) {
            indentStack.pop();
            ;
            newLine();
        } else if (t.toString().equals("dd")) {
            indentStack.pop();
            ;
        }
    }

    public void handleSimpleTag(HTML.Tag t, MutableAttributeSet a, int pos) {
        log.info("SimpleTag:" + t.toString());
        if (t.toString().equals("br")) {
            newLine();
        }
    }

    public void handleText(char[] text, int pos) {
        log.info("Text:" + new String(text));
        stringBuffer.append(text);
    }

    public String getText() {
        return stringBuffer.toString();
    }

    public static void main(String args[]) {
        String html = "<html><body><p>paragraph at start</p>hello<br />What is happening?<p>this is a<br />mutiline paragraph</p><ol>  <li>This</li>  <li>is</li>  <li>an</li>  <li>ordered</li>  <li>list    <p>with</p>    <ul>      <li>another</li>      <li>list        <dl>          <dt>This</dt>          <dt>is</dt>            <dd>sdasd</dd>            <dd>sdasda</dd>            <dd>asda              <p>aasdas</p>            </dd>            <dd>sdada</dd>          <dt>fsdfsdfsd</dt>        </dl>        <dl>          <dt>vbcvcvbcvb</dt>          <dt>cvbcvbc</dt>            <dd>vbcbcvbcvb</dd>          <dt>cvbcv</dt>          <dt></dt>        </dl>        <dl>          <dt></dt>        </dl></li>      <li>cool</li>    </ul>    <p>stuff</p>  </li>  <li>cool</li></ol><p></p></body></html>";
        System.out.println(convert(html));
    }
}

kullanım Html.fromHtml

HTML Etiketleri

<a href=”…”> <b>,  <big>, <blockquote>, <br>, <cite>, <dfn>
<div align=”…”>,  <em>, <font size=”…” color=”…” face=”…”>
<h1>,  <h2>, <h3>, <h4>,  <h5>, <h6>
<i>, <p>, <small>
<strike>,  <strong>, <sub>, <sup>, <tt>, <u>

Gereğince Android'in resmi Dokümantasyon herhangi etiketler HTML genel bir yedek olarak gösterecektir dize program daha sonra geçmesi ve gerçek ile yerine dizeleri .

Html.formHtmlyöntemi bir Html.TagHandlerve Html.ImageGetter argüman olarak yanı sıra ayrıştırılacak metin alır.

Misal

String Str_Html=" <p>This is about me text that the user can put into their profile</p> ";

Sonra

Your_TextView_Obj.setText(Html.fromHtml(Str_Html).toString());

Çıktı

Bu, kullanıcının profiline koyabileceği bir metin hakkında

İşte hepsinin nasıl değiştirileceğine dair bir başka değişken (HTML Etiketleri | HTML Varlıkları | HTML içeriğinde boş alan)

content.replaceAll("(<.*?>)|(&.*?;)|([ ]{2,})", ""); burada içerik bir String'dir.

Android'in varsayılan HTML filtresini kullanabilirsiniz

    public String htmlToStringFilter(String textToFilter){

    return Html.fromHtml(textToFilter).toString();

    }

Yukarıdaki yöntem, girişiniz için HTML filtrelenmiş dizesini döndürür.

Başka bir yol da com.google.gdata.util.common.html.HtmlToText sınıfını aşağıdaki gibi kullanmak olabilir:

MyWriter.toConsole(HtmlToText.htmlToPlainText(htmlResponse));

Bu kurşun geçirmez kod olsa da değil ve ben wikipedia girişlerinde çalıştırdığınızda ben de stil bilgisi alıyorum. Ancak küçük / basit işler için bunun etkili olacağına inanıyorum.

HTML'den düz metne geçmek istediğiniz gibi geliyor.
Bu durumda www.htmlparser.org adresine bakın. Aşağıda, bir URL'de bulunan html dosyasındaki tüm etiketleri çıkaran bir örnek yer almaktadır.
Bu yararlanır org.htmlparser.beans.StringBean .

static public String getUrlContentsAsText(String url) {
    String content = "";
    StringBean stringBean = new StringBean();
    stringBean.setURL(url);
    content = stringBean.getStrings();
    return content;
}

İşte bunu yapmanın başka bir yolu:

public static String removeHTML(String input) {
    int i = 0;
    String[] str = input.split("");

    String s = "";
    boolean inTag = false;

    for (i = input.indexOf("<"); i < input.indexOf(">"); i++) {
        inTag = true;
    }
    if (!inTag) {
        for (i = 0; i < str.length; i++) {
            s = s + str[i];
        }
    }
    return s;
}

Bir de kullanabilirsiniz Apache Tika bu amaçla. Varsayılan olarak, belirli durumlarda istenebilecek boşlukları soyulmuş html'den korur:

InputStream htmlInputStream = ..
HtmlParser htmlParser = new HtmlParser();
HtmlContentHandler htmlContentHandler = new HtmlContentHandler();
htmlParser.parse(htmlInputStream, htmlContentHandler, new Metadata())
System.out.println(htmlContentHandler.getBodyText().trim())

JSoup ile yeni satır bilgilerini tutmanın bir yolu, tüm yeni satır etiketlerinin önüne kukla bir dize koymak, JSoup yürütmek ve kukla dize yerine "\ n" koymaktır.

String html = "<p>Line one</p><p>Line two</p>Line three<br/>etc.";
String NEW_LINE_MARK = "NEWLINESTART1234567890NEWLINEEND";
for (String tag: new String[]{"</p>","<br/>","</h1>","</h2>","</h3>","</h4>","</h5>","</h6>","</li>"}) {
    html = html.replace(tag, NEW_LINE_MARK+tag);
}

String text = Jsoup.parse(html).text();

text = text.replace(NEW_LINE_MARK + " ", "\n\n");
text = text.replace(NEW_LINE_MARK, "\n\n");

classeString.replaceAll("\\<(/?[^\\>]+)\\>", "\\ ").replaceAll("\\s+", " ").trim() 

5 sentim:

String[] temp = yourString.split("&");
String tmp = "";
if (temp.length > 1) {

    for (int i = 0; i < temp.length; i++) {
        tmp += temp[i] + "&";
    }
    yourString = tmp.substring(0, tmp.length() - 1);
}

Biçimlendirilmiş düz html metni almak için şunları yapabilirsiniz:

String BR_ESCAPED = "<br/>";
Element el=Jsoup.parse(html).select("body");
el.select("br").append(BR_ESCAPED);
el.select("p").append(BR_ESCAPED+BR_ESCAPED);
el.select("h1").append(BR_ESCAPED+BR_ESCAPED);
el.select("h2").append(BR_ESCAPED+BR_ESCAPED);
el.select("h3").append(BR_ESCAPED+BR_ESCAPED);
el.select("h4").append(BR_ESCAPED+BR_ESCAPED);
el.select("h5").append(BR_ESCAPED+BR_ESCAPED);
String nodeValue=el.text();
nodeValue=nodeValue.replaceAll(BR_ESCAPED, "<br/>");
nodeValue=nodeValue.replaceAll("(\\s*<br[^>]*>){3,}", "<br/><br/>");

Biçimlendirilmiş düz metin almak için \ n ile <br/> değiştirin ve son satırı şu şekilde değiştirin:

nodeValue=nodeValue.replaceAll("(\\s*\n){3,}", "<br/><br/>");

Bu sorunun sorulmasından bu yana bir süre geçtiğini biliyorum, ama başka bir çözüm buldum, bu benim için işe yaradı:

Pattern REMOVE_TAGS = Pattern.compile("<.+?>");
    Source source= new Source(htmlAsString);
 Matcher m = REMOVE_TAGS.matcher(sourceStep.getTextExtractor().toString());
                        String clearedHtml= m.replaceAll("");

basitçe birden fazla replaceAll () ile bir yöntem yapabilirsiniz.

String RemoveTag(String html){
   html = html.replaceAll("\\<.*?>","")
   html = html.replaceAll("&nbsp;","");
   html = html.replaceAll("&amp;"."");
   ----------
   ----------
   return html;
}

İhtiyacınız olan en yaygın değiştirmeler için bu bağlantıyı kullanın: http://tunes.org/wiki/html_20special_20characters_20and_20symbols.html

Basit ama etkilidir. İlk önce önemsiz kaldırmak için değil ama ilk satırı yani replaceAll ("\ <. *?>", "") Kaldırmak için bu yöntemi kullanın ve daha sonra dizinleri aramak ve sonra .substring (start, end) kullanmak için belirli anahtar kelimeler kullanın ) gereksiz şeyleri ayırma yöntemi. Bu daha sağlam olduğundan ve tüm html sayfasında tam olarak ihtiyacınız olanı işaretleyebilirsiniz.

HTML etiketlerini dizeden kaldırın. Bir yerde, sunucudan Httpresponse gibi bazı yanıtlar tarafından alınan bazı dizeleri ayrıştırmamız gerekiyor.

Bu yüzden ayrıştırmamız gerekiyor.

Burada html etiketlerini dizeden nasıl kaldıracağımı göstereceğim.

    // sample text with tags

    string str = "<html><head>sdfkashf sdf</head><body>sdfasdf</body></html>";



    // regex which match tags

    System.Text.RegularExpressions.Regex rx = new System.Text.RegularExpressions.Regex("<[^>]*>");



    // replace all matches with empty strin

    str = rx.Replace(str, "");



    //now str contains string without html tags