如何保持指定的 HTML 标记答案

【问题标题】：How to keep the HTML tags specified如何保持指定的 HTML 标记
【发布时间】：2010-09-24 09:14:00
【问题描述】：

我正在使用此模式删除所有 HTML 标记（Java 代码）：

String html="text <a href=#>link</a> <b>b</b> pic<img src=#>";
html=html.replaceAll("\\<.*?\\>", "");

System.out.println(html);

现在，我想保留标签<a ...>（带有</a>）和标签<img ...>

我希望结果是：

text <a href=#>link</a> b pic<img src=#>

如何做到这一点？

我不需要 HTML 解析器来做这个，

因为我需要这个正则表达式模式来过滤大量的 html 片段，

所以，我想要正则表达式的解决方案

【问题讨论】：

这可能不是重点，但您拥有的 HTML 示例是无效的 - 您也可以从它搞砸 SO 的语法突出显示的事实中看出这一点......
它们完全有效。 HTML 不需要在属性值周围加上引号，也不需要作者关闭 img 标记（以及其他标记）。

标签： java regex

【解决方案1】：

您可以使用否定的前瞻来做到这一点：

"<(?!(?:a|/a|img)\\b).*?>"

Rubular

但是，这有很多问题，如果您想要一个强大的解决方案，我建议您使用 HTML 解析器。

有关更多信息，请参阅此问题：

What HTML parsing libraries do you recommend in Java

【讨论】：

谢谢，我尝试了html=html.replaceAll("<(?!(?:a|/a|img)\b).*?>", ""); 的模式，但没有任何反应
在 Java 中，您需要转义反斜杠。我已经纠正了我的帖子。
如果你要运行这么多次，我建议你预编译 Pattern: private static final Pattern regex = Pattern.compile("")

【解决方案2】：

看看这个http://sourceforge.net/projects/regexcreator/。这是非常方便的 gui 正则表达式编辑器。

【讨论】：

谢谢，我可以运行这个编辑器，但我不知道如何为我的问题创建正则表达式模式，我的正则表达式很烂。

【解决方案3】：

嘿！这是你的答案：

You can’t parse [X]HTML with regex.

【讨论】：

嗯。你可以。我同意这是个坏主意。

【解决方案4】：

使用适当的 HTML 解析器，例如 htmlparser、Jericho 或 validator.nu HTML parser。然后使用解析器的 API、SAX 或 DOM 提取您感兴趣的内容。

如果您坚持使用正则表达式，您几乎肯定会犯一些小错误，从而导致损坏，并可能导致跨站点脚本攻击，具体取决于您对标记所做的操作。

另见this answer。

【讨论】：

【解决方案5】：

我推荐你使用 strip_tags（一个 PHP 函数）

string strip_tags ( string $str [, string $allowable_tags ] )

    <?php
$text = '<p>Test paragraph.</p><!-- Comment --> <a href="#fragment">Other text</a>';
echo strip_tags($text);
echo "\n";

// Allow <p> and <a>
echo strip_tags($text, '<p><a>');
?>

输出

Test paragraph. Other text
<p>Test paragraph.</p> <a href="#fragment">Other text</a>

【讨论】：

当它是一个 java 问题时，他将如何使用 php 函数？