文字列からHTMLタグを削除する

Java文字列からHTMLを削除する良い方法はありますか？のような単純な正規表現

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

は機能し&ますが、正しく変換されず、2つの山括弧の間の非HTMLは削除されます（つまり.*?、正規表現内のは表示されなくなります）。

正規表現の代わりにHTMLパーサーを使用します。これはJsoupで非常に簡単です。

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

Jsoupは、カスタマイズ可能なホワイトリストに対するHTMLタグの削除もサポートしています。これは<b>、たとえば<i>とのみを許可する場合に非常に役立ちます<u>。

以下も参照してください。

• RegExは、XHTML自己完結型タグを除くオープンタグと一致します
• 主要なJava HTMLパーサーの長所と短所は何ですか？
• JSP /サーブレットWebアプリケーションでのXSS防止

あなたがAndroid用に書いているなら、これを行うことができます...

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

ユーザーがと入力した場合、<b>hey!</b>表示します<b>hey!</b>かhey!？最初の場合は、以下のエスケープ、およびhtmlエンコードのアンパサンド（およびオプションで引用符）をエスケープすれば問題ありません。2番目のオプションを実装するためのコードの変更は次のようになります。

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

しかし、ユーザーがのような不正なものを入力すると、問題が発生します<bhey!</b>。

「汚い」html入力を解析するJTidyをチェックアウトして、テキストを保持しながらタグを削除する方法を提供することもできます。

htmlを削除しようとする際の問題は、ブラウザーには非常に寛大なパーサーがあり、他のライブラリよりも寛容であるため、すべてのタグを削除するために最善を尽くしても（上記のreplaceメソッド、DOMライブラリ、またはJTidyを使用） 、あなたがしますまだあなたの出力の安全を保つために、残りのHTMLの特殊文字をエンコードすることを確認する必要があります。

別の方法は、 javax.swing.text.html.HTMLEditorKitを使用してテキストを抽出することです。

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：ファイルからHTMLタグを削除して、テキストのみを抽出します

私はhtmlタグをフィルタリングする最も簡単な方法は次のとおりだと思います：

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("");
}

また、Jerichoを使用すると非常に簡単で、一部の書式設定（たとえば、改行やリンク）を保持できます。

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

受け入れられた回答にJsoup.parse(html).text()は、2つの潜在的な問題があります（JSout 1.7.3を使用）。

• テキストから改行を削除します
• テキスト<script>を変換します<script>

これを使用してXSSから保護する場合、これは少し厄介です。JSoupとApache StringEscapeUtilsの両方を使用した、改善されたソリューションでのベストショットは次のとおりです。

// 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);

最後のステップは、出力をプレーンテキストとして使用する必要があるためです。HTML出力のみが必要な場合は、それを削除できるはずです。

そして、ここにたくさんのテストケースがあります（入力から出力へ）：

{"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"}

それをより良くする方法を見つけたら、私に知らせてください。

Androidでは、これを試してください：

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

HTMLエスケープを正しく行うのは本当に難しいです。ライブラリコードを使用してこれを行うことをお勧めします。思ったよりもはるかに微妙なためです。Javaでこれを処理するための非常に優れたライブラリーについては、ApacheのStringEscapeUtilsを調べてください。

これはうまくいくはずです-

これを使って

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

この

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

Timが示唆するように、HTMLを取り除いて判読できない混乱を防ぐ前に、HTMLを削除する前に<br/>、</p>タグを改行で置き換えることができます。

HTMLタグを削除することを考えることができる唯一の方法ですが、山かっこの間に非HTMLを残すことは、HTMLタグのリストに対してチェックすることです。これらの線に沿って何か...

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

次に、などの特殊文字をHTMLデコードし&ます。結果は消毒されたと見なされるべきではありません。

または、HtmlCleanerを使用できます。

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

私が示したテストケースでは、受け入れられた回答が機能しませんでした。「a <bまたはb> c」の結果は「abまたはb> c」です。

そこで、代わりにTagSoupを使用しました。これが私のテストケース（および他のいくつか）で機能したショットです。

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 {
}
}

私はこれが古いことを知っていますが、HTMLをフィルタリングする必要があるプロジェクトに取り組んでいて、これはうまくいきました：

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

これの代わりに：

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

以下は、ブレークとリストのフォーマットを処理するための、より具体的な更新です。Amayaの出力をガイドとして使用しました。

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));
    }
}

使用する Html.fromHtml

HTMLタグは

<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>

あたりとしてAndroidの公式マニュアル作成のいずれかのタグをHTMLには、一般的な代替として表示されます文字列あなたのプログラムは、その後通過し、本当ので置き換えることができます文字列。

Html.formHtml メソッドは Html.TagHandler引数としてHtml.ImageGetterと、解析するテキストを受け取ります。

例

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

その後

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

出力

これは私のユーザーが自分のプロフィールに入力できるテキストです

すべてを置き換える方法のもう1つのバリエーションを次に示します（HTMLタグ| HTMLエンティティ| HTMLコンテンツの空のスペース）

content.replaceAll("(<.*?>)|(&.*?;)|([ ]{2,})", ""); ここで、コンテンツは文字列です。

AndroidのデフォルトのHTMLフィルターを使用するだけです

    public String htmlToStringFilter(String textToFilter){

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

    }

上記のメソッドは、入力に対してHTMLフィルタリングされた文字列を返します。

もう1つの方法は、次のようなcom.google.gdata.util.common.html.HtmlToTextクラスを使用することです。

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

ただし、これは防弾コードではありません。ウィキペディアのエントリで実行すると、スタイル情報も取得されます。しかし、私は小さい/単純な仕事のためにこれは効果的であると信じています。

HTMLからプレーンテキストに移行したいようです。
その場合は、www.htmlparser.orgをご覧ください。以下は、URLで見つかったhtmlファイルからすべてのタグを取り除く例です。org.htmlparser.beans.StringBean
を使用します。

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

これを行う別の方法を次に示します。

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;
}

この目的でApache Tikaを使用することもできます。デフォルトでは、ストリップされたhtmlの空白を保持します。これは、特定の状況で必要になる場合があります。

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

JSoupで改行情報を保持する1つの方法は、すべての改行タグの前にいくつかのダミー文字列を置き、JSoopを実行して、ダミー文字列を "\ n"で置き換えることです。

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() 

私の5セント：

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);
}

形成されたプレーンHTMLテキストを取得するには、次のようにします。

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/>");

生成されたプレーンテキストを取得するには、<n>を\ n変更し、最後の行を次のように変更します。

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

私はこの質問が尋ねられてからしばらく経っていることを知っていますが、別の解決策を見つけました、これは私にとってうまくいったものです：

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

あなたは単純に複数のreplaceAll（）でメソッドを作ることができます

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

必要な最も一般的な置き換えには、このリンクを使用してください：http : //tunes.org/wiki/html_20special_20characters_20and_20symbols.html

シンプルですが効果的です。最初にこのメソッドを使用してジャンクを削除しますが、最初の行（replaceAll（ "\ <。*？>"、 ""）は削除しません。その後、特定のキーワードを使用してインデックスを検索し、次に.substring（start、end ）不要なものを取り除く方法。これはより堅牢で、HTMLページ全体で必要なものを正確に特定できるためです。

文字列からHTMLタグを削除します。どこかで、サーバーからのHttpresponseなどのいくつかの応答によって受信される文字列を解析する必要があります。

したがって、それを解析する必要があります。

ここでは、文字列からhtmlタグを削除する方法を示します。

    // 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