java 读取html过滤标签

public static void main(String[] args) {

String str="<p>  qweqwe你好啊。<a>我我我我qweqwe</a></p>";

System.out.println(stripHtml(str).trim());

                System.out.println(delHTMLTag(str).trim());

 

}

 

使用正则表达式删除HTML标签。 

import java.util.regex.Matcher; 

import java.util.regex.Pattern; 

 

public class HTMLSpirit{ 

    public static String delHTMLTag(String htmlStr){ 

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

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

        String regEx_html="<[^>]+>"; //定义HTML标签的正则表达式 

         

        Pattern p_script=Pattern.compile(regEx_script,Pattern.CASE_INSENSITIVE); 

        Matcher m_script=p_script.matcher(htmlStr); 

        htmlStr=m_script.replaceAll(""); //过滤script标签 

         

        Pattern p_style=Pattern.compile(regEx_style,Pattern.CASE_INSENSITIVE); 

        Matcher m_style=p_style.matcher(htmlStr); 

        htmlStr=m_style.replaceAll(""); //过滤style标签 

         

        Pattern p_html=Pattern.compile(regEx_html,Pattern.CASE_INSENSITIVE); 

        Matcher m_html=p_html.matcher(htmlStr); 

        htmlStr=m_html.replaceAll(""); //过滤html标签 

 

        return htmlStr.trim(); //返回文本字符串 

    } 

 

}

 

 

Java中去掉网页HTML标记的方法 
Java里面去掉网页里的HTML标记的方法： 

/** 
* 去掉字符串里面的html代码。<br> 
* 要求数据要规范，比如大于小于号要配套,否则会被集体误杀。 
* 
* @param content 
* 内容 
* @return 去掉后的内容 
*/ 

 

 

public static String stripHtml(String content) { 

// <p>段落替换为换行 

content = content.replaceAll("<p .*?>", "\r\n"); 

// <br><br/>替换为换行 

content = content.replaceAll("<br\\s*/?>", "\r\n"); 

// 去掉其它的<>之间的东西 

content = content.replaceAll("\\<.*?>", ""); 

// 还原HTML 

// content = HTMLDecoder.decode(content); 

return content; 

 

}