RegExpとJavaでいくつかのHTMLタグを削除

Question

文字列からHTMLタグを削除したい。 これは簡単ですが、私は知っている、私はそうしました：

public String removerTags(String html) 
    { 
     return html.replaceAll("\\<(/?[^\\>]+)\\>", " ").replaceAll("\\s+", " ").trim(); 
    } 

を問題は、私はすべてのタグを削除したくないということです..私はタグが

<span style=\"background-color: yellow\"> (text) </ span> 

文字列にそのまま滞在したいです..

私は...私がやっているGWTを使用してWebアプリケーションの検索で「ハイライト」の一種としてこれを使用してい

そして、検索が見つかった場合ので、私は、これを実行する必要がありますテいくつかのHTMLタグが含まれているxt（索引付けはLuceneによって行われています）、壊れていますが、safeHTMLBuilderのappendHTMLはStringをマウントできません。

これはかなり良い方法で行うことができますか？

ハグ。

Answer 1

この作業にはJSoupを使用することを強くお勧めします。正規表現は単にこのタスクには適していません。 JSoupでは、これは基本的にシンプルで読みやすく、簡単にメンテナンスできる1ライナーです！

はJSoup.clean方法を見て、おそらくこの記事を持っている：

• Sanitize Untrusted HTML

Answer 2

私は過去に大きな効果を使用していたライブラリがOWASP AntiSamy

間違いなくこれですタグのホワイトリスト/ブラックリストを許可します。それは一見価値があるかもしれません。

Answer 3

私は正規表現を使用してこの問題の解決策を見つけた：

public static String filterHTMLTags(String html) { 

    // save valid tags: 
    String striped = html.replaceAll("(?i)\\<(\\s*/?(a|h\\d|b|i|em|cite|code|strong|pre|br).*?/?)\\>", "{{$1}}"); 
    // remove all tags: 
    striped = striped.replaceAll("\\<(/?[^\\>]+)\\>", " "); 
    // restore valid tags: 
    striped = striped.replaceAll("\\{\\{(.+?)\\}\\}", "<$1>"); 

    return striped; 
} 

は、あなたのHTMLコンテンツに「{{...}}」あなたが使用することをドントていることを確認してください。この「保存シーケンス」を簡単に変更することができます。有効なタグが最初でReplaceAll正規表現のリストで定義されています。

（|時間\ dの| B | I | EM |引用|コード|強い|前| BR）

上の "h \ d"は、 "h1、h2、..."が有効なタグであることを意味します。私はこのコードでこれをテストした

：

public static void main (String[] args) { 

    String teste = " <b>test bold chars</b> <BR/> <div>test div</div> \n" + 
      " link: <a href=\"test.html\">click here</a> <br />\n" + 
      " <script>bad script</script> <notpermitted/>\n"; 

    System.out.println("teste: \n"+teste); 
    System.out.println("\n\n\nstriped: \n"+filterHTMLTags(teste)); 
} 

さようなら、 セルジオフィゲイレド - My blog