Supprimer les balises HTML d'une chaîne

Question

Existe-t-il un bon moyen de supprimer le HTML d'une chaîne Java ? Une simple expression rationnelle comme

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

fonctionnera, mais des choses comme & sera converti correctement et les éléments nonHTML situés entre les deux crochets seront supprimés (c'est-à-dire que l'élément .*? dans la regex disparaîtra).

Answer 1

Utiliser un analyseur HTML au lieu d'une regex. C'est très simple avec Jsoup .

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

Jsoup aussi soutient supprimer les balises HTML en les comparant à une liste blanche personnalisable, ce qui est très utile si vous souhaitez autoriser uniquement les balises suivantes, par exemple <b> , <i> et <u> .

Voir aussi :

• RegEx correspond aux balises ouvertes, sauf aux balises autonomes XHTML
• Quels sont les avantages et les inconvénients des principaux analyseurs syntaxiques Java HTML ?
• Prévention des XSS dans les applications web JSP/Servlet

Answer 2

Si vous écrivez pour Android vous pouvez faire ça...

android.text.HtmlCompat.fromHtml(instruction, HtmlCompat.FROM_HTML_MODE_LEGACY).toString()

Answer 3

Si l'utilisateur saisit <b>hey!</b> voulez-vous afficher <b>hey!</b> ou hey! ? Si c'est la première option, échappez les less-thans et codez les esperluettes en html (et éventuellement les guillemets) et tout ira bien. Une modification de votre code pour implémenter la seconde option serait :

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

mais vous rencontrerez des problèmes si l'utilisateur saisit quelque chose de malformé, comme <bhey!</b> .

Vous pouvez également consulter JTidy qui analysera les entrées html "sales", et devrait vous donner un moyen de supprimer les balises, en conservant le texte.

Le problème quand on essaie de dépouiller le html est que les navigateurs ont des analyseurs très indulgents, plus indulgents que n'importe quelle bibliothèque que vous pouvez trouver, donc même si vous faites de votre mieux pour dépouiller toutes les balises (en utilisant la méthode de remplacement ci-dessus, une bibliothèque DOM, ou JTidy), vous aurez toujours vous devez vous assurer de coder tous les caractères spéciaux HTML restants pour garantir la sécurité de votre sortie.

Answer 4

Une autre façon est d'utiliser javax.swing.text.html.HTMLEditorKit pour extraire le texte.

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();
        }
    }
}

réf : Supprimer les balises HTML d'un fichier pour n'extraire que le TEXTE

Answer 5

Il est également très simple d'utiliser Jéricho et vous pouvez conserver une partie du formatage (sauts de ligne et liens, par exemple).

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