可能重复：
删除 HTML 标记的正则表达式
是否有一个表达式可以获取两个 HTML 标签之间的值？
鉴于这种：
<td class="played">0</td>
我正在寻找一个将返回的表达式0，剥离<td>标签。
问问题
353868 次
3 回答
190
您不应尝试使用正则表达式解析 HTML。HTML 不是常规语言，因此您提出的任何正则表达式都可能在某些深奥的边缘情况下失败。有关详细信息，请参阅此问题的开创性答案。虽然大多被格式化为一个笑话，但它提出了一个非常好的观点。
以下示例是 Java，但对于其他语言，正则表达式将是相似的——如果不相同的话。
String target = someString.replaceAll("<[^>]*>", "");
假设您的非 html 不包含任何 < 或 > 并且您的输入字符串结构正确。
如果你知道它们是一个特定的标签——例如你知道文本只包含<td>标签，你可以这样做：
String target = someString.replaceAll("(?i)<td[^>]*>", "");
编辑：Ωmega 在另一篇文章的评论中提出了一个很好的观点，即如果有多个标签，这将导致多个结果全部被挤压在一起。
例如，如果输入字符串是<td>Something</td><td>Another Thing</td>，那么上面的结果将是SomethingAnother Thing。
在需要多个标签的情况下，我们可以执行以下操作：
String target = someString.replaceAll("(?i)<td[^>]*>", " ").replaceAll("\\s+", " ").trim();
这会将 HTML 替换为一个空格，然后折叠空格，然后修剪末尾的任何空格。
于 2012-06-27T15:42:25.103 回答
77
一个简单的方法是替换
<[^>]*>
一无所有。但是，根据您的输入结构的不良程度，这很可能会失败。
于 2012-06-27T15:31:39.117 回答
6
你可以用 jsoup http://jsoup.org/
Whitelist whitelist = Whitelist.none();
String cleanStr = Jsoup.clean(yourText, whitelist);
于 2012-06-27T15:34:05.413 回答