用正则删除文本中的html标签

使用文本编辑器录入文章存入数据中的文本是HTML标签格式,由于业务需要对HTML标签进行去除只保留纯净的文本内容,于是乎Java实现自动过滤。

如下:

public static String Html2Text(String inputString) {  
String htmlStr = inputString; // 含html标签的字符串
  String textStr = "";
  java.util.regex.Pattern p_script;
  java.util.regex.Matcher m_script;
  java.util.regex.Pattern p_style;
  java.util.regex.Matcher m_style;
  java.util.regex.Pattern p_html;
  java.util.regex.Matcher m_html;

  java.util.regex.Pattern p_html1;
  java.util.regex.Matcher m_html1;

  try {
    // 定义script的正则表达式{或<script[^>]*?>[//s//S]*?<///script>
   String regEx_script = "<[//s]*?script[^>]*?>[//s//S]*?<[//s]*?///[//s]*?script[//s]*?>";

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

   // 定义HTML标签的正则表达式
   String regEx_html = "<[^>]+>";
   String regEx_html1 = "<[^>]+";
   p_script = Pattern.compile(regEx_script, Pattern.CASE_INSENSITIVE);
   m_script = p_script.matcher(htmlStr);
   htmlStr = m_script.replaceAll(""); // 过滤script标签

   p_style = Pattern.compile(regEx_style, Pattern.CASE_INSENSITIVE);
   m_style = p_style.matcher(htmlStr);
   htmlStr = m_style.replaceAll(""); // 过滤style标签

   p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE);
   m_html = p_html.matcher(htmlStr);
   htmlStr = m_html.replaceAll(""); // 过滤html标签

   p_html1 = Pattern.compile(regEx_html1, Pattern.CASE_INSENSITIVE);
   m_html1 = p_html1.matcher(htmlStr);
   htmlStr = m_html1.replaceAll(""); // 过滤html标签

   textStr = htmlStr;

  } catch (Exception e) {
       System.err.println("Html2Text: " + e.getMessage());
  }

  return textStr;// 返回文本字符串
 }

你可能感兴趣的