正则表达式从字符串中删除HTML标签

Question

可能重复：
Regular expression to remove HTML tags

是否有这将让两个HTML标记之间的值的表达式？

有鉴于此：

<td class="played">0</td> 

我找这将返回0，剥离<td>标签的表达式。

Answer 1

一个平凡的方法是什么也没有更换

<[^>]*> 

。但取决于你的投入是多么糟糕，可能会失败。

Answer 2

您可以用jsoup http://jsoup.org/

Whitelist whitelist = Whitelist.none(); 
String cleanStr = Jsoup.clean(yourText, whitelist); 

Answer 3

你不应该试图用正则表达式解析HTML做到这一点。 HTML不是一种常规语言，所以你提出的任何正则表达式可能会在一些神秘的边缘情况下失败。有关详细信息，请参阅this question的重要答案。虽然大多数是作为一个笑话格式化，但它是一个很好的观点。

---

下面的例子是Java，但正则表达式将是类似的 - 如果不相同 - 其他语言。

---

String target = someString.replaceAll("<[^>]*>", ""); 

假设你非HTML不包含任何<或>和您输入的字符串结构正确。

如果你知道他们是一个特定的标签 - 例如，你知道的文本只包含<td>标签，你可以做这样的事情：

String target = someString.replaceAll("(?i)<td[^>]*>", ""); 

编辑： Ωmega提出了一个很好的点对另一篇文章发表评论说，如果存在多个标签，这将导致多个结果全部被挤在一起。

例如，如果输入的字符串是<td>Something</td><td>Another Thing</td>，那么上述将导致SomethingAnother Thing。

在多个标签被预期的情况下，我们可以这样做：

String target = someString.replaceAll("(?i)<td[^>]*>", " ").replaceAll("\\s+", " ").trim(); 

这取代了HTML用一个空格，然后崩溃的空白，然后修剪任何的结束。