Remover tags HTML de uma String

Existe uma boa maneira de remover HTML de uma string Java? Uma regex simples como

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

funcionará, mas coisas como &não serão convertidas corretamente e o HTML entre os dois colchetes angulares será removido (ou seja, o .*?no regex desaparecerá).

Use um analisador de HTML em vez de regex. Isso é muito simples com o Jsoup .

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

O Jsoup também suporta a remoção de tags HTML em uma lista branca personalizável, o que é muito útil se você deseja permitir apenas <b>, por exemplo , <i>e <u>.

Veja também:

• O RegEx corresponde a tags abertas, exceto as tags independentes XHTML
• Quais são os prós e os contras dos principais analisadores Java HTML?
• Prevenção de XSS no aplicativo da web JSP / Servlet

Se você está escrevendo para Android, pode fazer isso ...

android.text.Html.fromHtml(instruction).toString()

Se o usuário entrar <b>hey!</b>, você deseja exibir <b>hey!</b>ou hey!? Se o primeiro, escapar de e menos que e codificar html (e opcionalmente aspas) e você está bem. Uma modificação no seu código para implementar a segunda opção seria:

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

mas você terá problemas se o usuário inserir algo malformado, como <bhey!</b>.

Você também pode verificar o JTidy, que analisará a entrada html "suja" e deve fornecer uma maneira de remover as tags, mantendo o texto.

O problema ao tentar remover o html é que os navegadores têm analisadores muito branda, mais branda do que qualquer biblioteca que você encontrar, portanto, mesmo se você fizer o melhor para remover todas as tags (usando o método de substituição acima, uma biblioteca DOM ou JTidy) , você ainda precisará codificar os caracteres especiais HTML restantes para manter sua saída segura.

Outra maneira é usar o javax.swing.text.html.HTMLEditorKit para extrair o texto.

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();
        }
    }
}

ref: remova tags HTML de um arquivo para extrair apenas o texto

Eu acho que a maneira mais simples de filtrar as tags html é:

private static final Pattern REMOVE_TAGS = Pattern.compile("<.+?>");

public static String removeTags(String string) {
    if (string == null || string.length() == 0) {
        return string;
    }

    Matcher m = REMOVE_TAGS.matcher(string);
    return m.replaceAll("");
}

Também é muito simples usando Jericó , e você pode reter parte da formatação (quebras de linha e links, por exemplo).

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

A resposta aceita de fazer simplesmente Jsoup.parse(html).text()tem 2 problemas em potencial (com JSoup 1.7.3):

• Remove quebras de linha do texto
• Ele converte texto <script>em<script>

Se você usar isso para se proteger do XSS, isso é um pouco chato. Aqui está minha melhor chance de uma solução aprimorada, usando JSoup e Apache StringEscapeUtils:

// breaks multi-level of escaping, preventing &amp;lt;script&amp;gt; to be rendered as <script>
String replace = input.replace("&amp;", "");
// decode any encoded html, preventing &lt;script&gt; to be rendered as <script>
String html = StringEscapeUtils.unescapeHtml(replace);
// remove all html tags, but maintain line breaks
String clean = Jsoup.clean(html, "", Whitelist.none(), new Document.OutputSettings().prettyPrint(false));
// decode html again to convert character entities back into text
return StringEscapeUtils.unescapeHtml(clean);

Observe que o último passo é porque eu preciso usar a saída como texto sem formatação. Se você precisar apenas de saída HTML, poderá removê-la.

E aqui estão alguns casos de teste (entrada para saída):

{"regular string", "regular string"},
{"<a href=\"link\">A link</a>", "A link"},
{"<script src=\"http://evil.url.com\"/>", ""},
{"&lt;script&gt;", ""},
{"&amp;lt;script&amp;gt;", "lt;scriptgt;"}, // best effort
{"\" ' > < \n \\ é å à ü and & preserved", "\" ' > < \n \\ é å à ü and & preserved"}

Se você encontrar uma maneira de melhorar, informe-me.

No Android, tente o seguinte:

String result = Html.fromHtml(html).toString();

Escapar de HTML é realmente difícil de fazer o certo - eu definitivamente sugeriria usar o código da biblioteca para fazer isso, pois é muito mais sutil do que você imagina. Confira o StringEscapeUtils do Apache para obter uma biblioteca muito boa para lidar com isso em Java.

Isso deve funcionar -

usa isto

  text.replaceAll('<.*?>' , " ") -> This will replace all the html tags with a space.

e isto

  text.replaceAll('&.*?;' , "")-> this will replace all the tags which starts with "&" and ends with ";" like  , &, > etc.

Convém substituir <br/>e </p>marcar com novas linhas antes de remover o HTML para evitar que ele se torne uma bagunça ilegível, como Tim sugere.

A única maneira de pensar em remover tags HTML, mas deixar não HTML entre colchetes angulares, seria comparar uma lista de tags HTML . Algo nesse sentido ...

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

Em seguida, decodifique caracteres especiais como HTML &. O resultado não deve ser considerado higienizado.

Como alternativa, pode-se usar o HtmlCleaner :

private CharSequence removeHtmlFrom(String html) {
    return new HtmlCleaner().clean(html).getText();
}

A resposta aceita não funcionou para mim no caso de teste que eu indiquei: o resultado de "a <b ou b> c" é "ab ou b> c".

Então, eu usei o TagSoup. Aqui está uma foto que funcionou para o meu caso de teste (e mais alguns):

import java.io.IOException;
import java.io.StringReader;
import java.util.logging.Logger;

import org.ccil.cowan.tagsoup.Parser;
import org.xml.sax.Attributes;
import org.xml.sax.ContentHandler;
import org.xml.sax.InputSource;
import org.xml.sax.Locator;
import org.xml.sax.SAXException;
import org.xml.sax.XMLReader;

/**
 * Take HTML and give back the text part while dropping the HTML tags.
 *
 * There is some risk that using TagSoup means we'll permute non-HTML text.
 * However, it seems to work the best so far in test cases.
 *
 * @author dan
 * @see <a href="http://home.ccil.org/~cowan/XML/tagsoup/">TagSoup</a> 
 */
public class Html2Text2 implements ContentHandler {
private StringBuffer sb;

public Html2Text2() {
}

public void parse(String str) throws IOException, SAXException {
    XMLReader reader = new Parser();
    reader.setContentHandler(this);
    sb = new StringBuffer();
    reader.parse(new InputSource(new StringReader(str)));
}

public String getText() {
    return sb.toString();
}

@Override
public void characters(char[] ch, int start, int length)
    throws SAXException {
    for (int idx = 0; idx < length; idx++) {
    sb.append(ch[idx+start]);
    }
}

@Override
public void ignorableWhitespace(char[] ch, int start, int length)
    throws SAXException {
    sb.append(ch);
}

// The methods below do not contribute to the text
@Override
public void endDocument() throws SAXException {
}

@Override
public void endElement(String uri, String localName, String qName)
    throws SAXException {
}

@Override
public void endPrefixMapping(String prefix) throws SAXException {
}


@Override
public void processingInstruction(String target, String data)
    throws SAXException {
}

@Override
public void setDocumentLocator(Locator locator) {
}

@Override
public void skippedEntity(String name) throws SAXException {
}

@Override
public void startDocument() throws SAXException {
}

@Override
public void startElement(String uri, String localName, String qName,
    Attributes atts) throws SAXException {
}

@Override
public void startPrefixMapping(String prefix, String uri)
    throws SAXException {
}
}

Eu sei que isso é antigo, mas eu estava trabalhando em um projeto que exigia a filtragem de HTML e isso funcionou bem:

noHTMLString.replaceAll("\\&.*?\\;", "");

em vez disso:

html = html.replaceAll(" ","");
html = html.replaceAll("&"."");

Aqui está uma atualização levemente mais detalhada para tentar lidar com alguma formatação de pausas e listas. Eu usei a saída de Amaya como um guia.

import java.io.IOException;
import java.io.Reader;
import java.io.StringReader;
import java.util.Stack;
import java.util.logging.Logger;

import javax.swing.text.MutableAttributeSet;
import javax.swing.text.html.HTML;
import javax.swing.text.html.HTMLEditorKit;
import javax.swing.text.html.parser.ParserDelegator;

public class HTML2Text extends HTMLEditorKit.ParserCallback {
    private static final Logger log = Logger
            .getLogger(Logger.GLOBAL_LOGGER_NAME);

    private StringBuffer stringBuffer;

    private Stack<IndexType> indentStack;

    public static class IndexType {
        public String type;
        public int counter; // used for ordered lists

        public IndexType(String type) {
            this.type = type;
            counter = 0;
        }
    }

    public HTML2Text() {
        stringBuffer = new StringBuffer();
        indentStack = new Stack<IndexType>();
    }

    public static String convert(String html) {
        HTML2Text parser = new HTML2Text();
        Reader in = new StringReader(html);
        try {
            // the HTML to convert
            parser.parse(in);
        } catch (Exception e) {
            log.severe(e.getMessage());
        } finally {
            try {
                in.close();
            } catch (IOException ioe) {
                // this should never happen
            }
        }
        return parser.getText();
    }

    public void parse(Reader in) throws IOException {
        ParserDelegator delegator = new ParserDelegator();
        // the third parameter is TRUE to ignore charset directive
        delegator.parse(in, this, Boolean.TRUE);
    }

    public void handleStartTag(HTML.Tag t, MutableAttributeSet a, int pos) {
        log.info("StartTag:" + t.toString());
        if (t.toString().equals("p")) {
            if (stringBuffer.length() > 0
                    && !stringBuffer.substring(stringBuffer.length() - 1)
                            .equals("\n")) {
                newLine();
            }
            newLine();
        } else if (t.toString().equals("ol")) {
            indentStack.push(new IndexType("ol"));
            newLine();
        } else if (t.toString().equals("ul")) {
            indentStack.push(new IndexType("ul"));
            newLine();
        } else if (t.toString().equals("li")) {
            IndexType parent = indentStack.peek();
            if (parent.type.equals("ol")) {
                String numberString = "" + (++parent.counter) + ".";
                stringBuffer.append(numberString);
                for (int i = 0; i < (4 - numberString.length()); i++) {
                    stringBuffer.append(" ");
                }
            } else {
                stringBuffer.append("*   ");
            }
            indentStack.push(new IndexType("li"));
        } else if (t.toString().equals("dl")) {
            newLine();
        } else if (t.toString().equals("dt")) {
            newLine();
        } else if (t.toString().equals("dd")) {
            indentStack.push(new IndexType("dd"));
            newLine();
        }
    }

    private void newLine() {
        stringBuffer.append("\n");
        for (int i = 0; i < indentStack.size(); i++) {
            stringBuffer.append("    ");
        }
    }

    public void handleEndTag(HTML.Tag t, int pos) {
        log.info("EndTag:" + t.toString());
        if (t.toString().equals("p")) {
            newLine();
        } else if (t.toString().equals("ol")) {
            indentStack.pop();
            ;
            newLine();
        } else if (t.toString().equals("ul")) {
            indentStack.pop();
            ;
            newLine();
        } else if (t.toString().equals("li")) {
            indentStack.pop();
            ;
            newLine();
        } else if (t.toString().equals("dd")) {
            indentStack.pop();
            ;
        }
    }

    public void handleSimpleTag(HTML.Tag t, MutableAttributeSet a, int pos) {
        log.info("SimpleTag:" + t.toString());
        if (t.toString().equals("br")) {
            newLine();
        }
    }

    public void handleText(char[] text, int pos) {
        log.info("Text:" + new String(text));
        stringBuffer.append(text);
    }

    public String getText() {
        return stringBuffer.toString();
    }

    public static void main(String args[]) {
        String html = "<html><body><p>paragraph at start</p>hello<br />What is happening?<p>this is a<br />mutiline paragraph</p><ol>  <li>This</li>  <li>is</li>  <li>an</li>  <li>ordered</li>  <li>list    <p>with</p>    <ul>      <li>another</li>      <li>list        <dl>          <dt>This</dt>          <dt>is</dt>            <dd>sdasd</dd>            <dd>sdasda</dd>            <dd>asda              <p>aasdas</p>            </dd>            <dd>sdada</dd>          <dt>fsdfsdfsd</dt>        </dl>        <dl>          <dt>vbcvcvbcvb</dt>          <dt>cvbcvbc</dt>            <dd>vbcbcvbcvb</dd>          <dt>cvbcv</dt>          <dt></dt>        </dl>        <dl>          <dt></dt>        </dl></li>      <li>cool</li>    </ul>    <p>stuff</p>  </li>  <li>cool</li></ol><p></p></body></html>";
        System.out.println(convert(html));
    }
}

Usar Html.fromHtml

Tags HTML são

<a href=”…”> <b>,  <big>, <blockquote>, <br>, <cite>, <dfn>
<div align=”…”>,  <em>, <font size=”…” color=”…” face=”…”>
<h1>,  <h2>, <h3>, <h4>,  <h5>, <h6>
<i>, <p>, <small>
<strike>,  <strong>, <sub>, <sup>, <tt>, <u>

De acordo com as Documentações oficiais do Android, qualquer tag no HTML será exibida como uma String genérica de substituição, que o seu programa poderá passar e substituir por strings reais .

Html.formHtmlO método leva um Html.TagHandlere um Html.ImageGetter como argumentos, bem como o texto para analisar.

Exemplo

String Str_Html=" <p>This is about me text that the user can put into their profile</p> ";

Então

Your_TextView_Obj.setText(Html.fromHtml(Str_Html).toString());

Resultado

Trata-se de um texto que o usuário pode colocar em seu perfil

Aqui está mais uma variante de como substituir tudo (Tags HTML | Entidades HTML | Espaço vazio no conteúdo HTML)

content.replaceAll("(<.*?>)|(&.*?;)|([ ]{2,})", ""); onde o conteúdo é uma String.

Você pode simplesmente usar o filtro HTML padrão do Android

    public String htmlToStringFilter(String textToFilter){

    return Html.fromHtml(textToFilter).toString();

    }

O método acima retornará a string filtrada em HTML para sua entrada.

Mais uma maneira pode ser usar a classe com.google.gdata.util.common.html.HtmlToText como

MyWriter.toConsole(HtmlToText.htmlToPlainText(htmlResponse));

Porém, este não é um código à prova de balas e, quando o executo nas entradas da Wikipedia, também estou recebendo informações de estilo. No entanto, acredito que para trabalhos pequenos / simples isso seria eficaz.

Parece que você deseja ir do HTML para o texto sem formatação.
Se for esse o caso, consulte www.htmlparser.org. Aqui está um exemplo que retira todas as tags do arquivo html encontrado em uma URL.
Ele usa org.htmlparser.beans.StringBean .

static public String getUrlContentsAsText(String url) {
    String content = "";
    StringBean stringBean = new StringBean();
    stringBean.setURL(url);
    content = stringBean.getStrings();
    return content;
}

Aqui está outra maneira de fazer isso:

public static String removeHTML(String input) {
    int i = 0;
    String[] str = input.split("");

    String s = "";
    boolean inTag = false;

    for (i = input.indexOf("<"); i < input.indexOf(">"); i++) {
        inTag = true;
    }
    if (!inTag) {
        for (i = 0; i < str.length; i++) {
            s = s + str[i];
        }
    }
    return s;
}

Pode-se também usar o Apache Tika para esse fim. Por padrão, ele preserva os espaços em branco do html removido, o que pode ser desejado em determinadas situações:

InputStream htmlInputStream = ..
HtmlParser htmlParser = new HtmlParser();
HtmlContentHandler htmlContentHandler = new HtmlContentHandler();
htmlParser.parse(htmlInputStream, htmlContentHandler, new Metadata())
System.out.println(htmlContentHandler.getBodyText().trim())

Uma maneira de reter informações de nova linha com JSoup é preceder todas as novas tags de linha com alguma sequência fictícia, executar JSoup e substituir a seqüência fictícia por "\ n".

String html = "<p>Line one</p><p>Line two</p>Line three<br/>etc.";
String NEW_LINE_MARK = "NEWLINESTART1234567890NEWLINEEND";
for (String tag: new String[]{"</p>","<br/>","</h1>","</h2>","</h3>","</h4>","</h5>","</h6>","</li>"}) {
    html = html.replace(tag, NEW_LINE_MARK+tag);
}

String text = Jsoup.parse(html).text();

text = text.replace(NEW_LINE_MARK + " ", "\n\n");
text = text.replace(NEW_LINE_MARK, "\n\n");

classeString.replaceAll("\\<(/?[^\\>]+)\\>", "\\ ").replaceAll("\\s+", " ").trim() 

Meus 5 centavos:

String[] temp = yourString.split("&");
String tmp = "";
if (temp.length > 1) {

    for (int i = 0; i < temp.length; i++) {
        tmp += temp[i] + "&";
    }
    yourString = tmp.substring(0, tmp.length() - 1);
}

Para obter texto html simples formatado, você pode fazer isso:

String BR_ESCAPED = "<br/>";
Element el=Jsoup.parse(html).select("body");
el.select("br").append(BR_ESCAPED);
el.select("p").append(BR_ESCAPED+BR_ESCAPED);
el.select("h1").append(BR_ESCAPED+BR_ESCAPED);
el.select("h2").append(BR_ESCAPED+BR_ESCAPED);
el.select("h3").append(BR_ESCAPED+BR_ESCAPED);
el.select("h4").append(BR_ESCAPED+BR_ESCAPED);
el.select("h5").append(BR_ESCAPED+BR_ESCAPED);
String nodeValue=el.text();
nodeValue=nodeValue.replaceAll(BR_ESCAPED, "<br/>");
nodeValue=nodeValue.replaceAll("(\\s*<br[^>]*>){3,}", "<br/><br/>");

Para obter o texto sem formatação, altere <br/> por \ n e altere a última linha por:

nodeValue=nodeValue.replaceAll("(\\s*\n){3,}", "<br/><br/>");

Eu sei que já faz um tempo desde que essa pergunta foi feita, mas encontrei outra solução, e foi isso que funcionou para mim:

Pattern REMOVE_TAGS = Pattern.compile("<.+?>");
    Source source= new Source(htmlAsString);
 Matcher m = REMOVE_TAGS.matcher(sourceStep.getTextExtractor().toString());
                        String clearedHtml= m.replaceAll("");

você pode simplesmente criar um método com vários replaceAll () como

String RemoveTag(String html){
   html = html.replaceAll("\\<.*?>","")
   html = html.replaceAll("&nbsp;","");
   html = html.replaceAll("&amp;"."");
   ----------
   ----------
   return html;
}

Use este link para as substituições mais comuns que você precisa: http://tunes.org/wiki/html_20special_20characters_20and_20symbols.html

É simples, mas eficaz. Eu uso esse método primeiro para remover o lixo eletrônico, mas não a primeira linha, ou seja, replaceAll ("\ <. *?>", "") E, posteriormente, uso palavras-chave específicas para pesquisar índices e, em seguida, usar .substring (start, end ) para remover coisas desnecessárias. Como isso é mais robusto e você pode apontar exatamente o que precisa em toda a página html.

Remova as tags HTML da string. Em algum lugar, precisamos analisar alguma string que é recebida por algumas respostas como Httpresponse do servidor.

Então, precisamos analisá-lo.

Aqui vou mostrar como remover tags html da string.

    // sample text with tags

    string str = "<html><head>sdfkashf sdf</head><body>sdfasdf</body></html>";



    // regex which match tags

    System.Text.RegularExpressions.Regex rx = new System.Text.RegularExpressions.Regex("<[^>]*>");



    // replace all matches with empty strin

    str = rx.Replace(str, "");



    //now str contains string without html tags