删除除换行符之外的 HTML 标记答案

【问题标题】：Removing HTML tags except line breaks删除除换行符之外的 HTML 标记
【发布时间】：2012-02-17 10:18:56
【问题描述】：

我正在从具有 HTML 标记的服务器接收字符串。我正在使用像string1.replaceAll("\\<.*?>","") 这样的正则表达式删除这些标签，但问题是它也删除了换行符和超链接。我想保留超链接和换行符并删除其他所有内容。

【问题讨论】：

【解决方案1】：

不要使用正则表达式来解析 HTML。

从 HTML 中完全剥离它（不是你想要的，但很简单）：

String html = "<h1>I only want<br/>line breaks and " + 
    "<a href='http://stackoverflow.com'>links</a>, <i>not</i>" +
    " the <b>other</b> stuff";
String sansHtml = Html.fromHtml(html).toString();

为了有选择地剥离它，只保留 <a>（和 href 属性）和 <br> 标签我建议你使用 JSoup：

Whitelist whitelist = Whitelist.none().addTags("a", "br").addAttributes("a", "href");
String jsoupHtml = Jsoup.clean(html, whitelist);

【讨论】：

【解决方案2】：

您可以尝试先将要保留的部分替换为某种中间格式，然后在删除所有其他标签后恢复原始部分。

string1.replaceAll("\\<br.*?>", "[br]");
string1.replaceAll("\\<a href='(.*?)'.*?>(.*?)\\<.*?>", "[link='$1' desc='$2']");
string1.replaceAll("\\<.*?>","");
string1.replaceAll("\\[br\\]", "<br\\>");
string1.replaceAll("\\[link='(.*?)' desc='(.*?)']", "<a href=\"$1\">$2<\\a>");

代码未经测试，因此可能无法正常工作:)

【讨论】：

This always feels relevant 当人们使用正则表达式来处理 XML/HTML 时。
没错，正则表达式解析不适用于每个外在的 xml/html 文件。只有当文件的语法已知时，它才能可靠地工作。