ここStringTokenizerは

Question

を使用してHTMLタグを削除し、私の文字列です：

String str = "<pre><font size="5"><strong><u>LVI . The Day of Battle</u></strong></font>   
<font 
size="4"><strong>"; 

私はStringTokenizerを使用して文字列内のすべてのHTMLタグを削除します。しかし、私はこのような状況でStringTokenizerを使用する方法を理解していません。 str.replaceAll("\\<.*?>","")を使用すると、上の文字列のように、一部のタグが文字列の次の行にあるため、すべてのタグを削除すると効率的ではないためです。しかし、私は<と>の間のすべての状況でそれをやりたい。どうしたらいいですか？ （私はStringTokenizerを使ってそれを達成したい）。ありがとう..

Answer 1

regexesまたはStringTokenizerだけでHTMLを処理しようとすると...痛いです。

This answerは、これ以上先に読む必要はありません。

改行を削除して正規表現を適用した後、HTMLを再フォーマットするか、複数行の正規表現を試してみてください。

しかし、実際には適切なHTMLパーサーを使用してください。 this questionを参照してください。

Answer 2

一般に、HTMLを解析するライブラリ以外のHTMLは解析しないでください。独自のパーサーを作成するとセキュリティリスクが発生し、クロスサイトスクリプティングやその他のさまざまなバグのような攻撃の可能性があるアプリケーションにアプリケーションが公開されます。再度：正規表現や単純なトークナイザでHTMLを解析しないでください。このルールの例外は、既知のHTMLデータ入力が少なく、そのデータにコードを使用する場合です。のみです。このシナリオでは、コードが各入力に対して正しいことを行っていることを確認することができます。

つまり、元の正規表現は非常に近いです。ドットワイルドカードは改行以外のすべてにマッチするので、ドットワイルドカードに加えて改行の可能性を正規表現に追加すると、テスト文字列に肯定的な結果が得られます。

String result = str.replaceAll("<(.|\r|\n|\f)*?>",""); 

UNKNOWN入力時にこのコードを使用しないでください！それを生産に使用しないでください！ HTMLの閲覧には安全で正確なアプローチはありません。

Answer 3

StringTokenizerの代わりにHTMLパーサライブラリを使用する方がよいでしょう。 http://jsoup.org/downloadから

1. ダウンロードjsoup-1.6.1.jarのコアライブラリ：次のデモを見てください。
2. このライブラリをクラスパスに追加します。

3. 好きなようにHTMLで再生します。以下の例は、HTMLコンテンツをテキスト形式に変換するコードです。

   import org.jsoup.Jsoup;

   パブリッククラスHtmlParser {

   public static String removeAllHtml(String htmlContent) { 
       return Jsoup.parse(htmlContent).text(); 
   } 
   
   public static void main(String[] args) { 
       String htmlContent = "<pre><font size=\"5\"><strong><u>LVI . The Day of Battle</u></strong></font><fontsize=\"4\"><strong>"; 
       System.out.println(removeAllHtml(htmlContent)); 
   } 
   

   }