如何删除字符串中 HTML 标记中的所有 HTML 属性

Question

我试图获取一个包含 HTML 的字符串，去掉一些标签（img、object）和所有其他 HTML 标签，去掉它们的属性。例如：

<div id="someId" style="color: #000000">
   <p class="someClass">Some Text</p>
   <img src="images/someimage.jpg" alt="" />
   <a href="somelink.html">Some Link Text</a>
</div>

会变成：

<div>
   <p>Some Text</p>
   Some Link Text
</div>

我正在尝试：

string.replaceAll("<\/?[img|object](\s\w+(\=\".*\")?)*\>", ""); //REMOVE img/object

但我不确定如何删除标签内的所有属性。

任何帮助将不胜感激。

谢谢。

Answer 1

如果您想过滤特定标签，我不会推荐使用正则表达式。这将是一项艰巨的工作，而且永远不会完全可靠。使用普通的 HTML 解析器，例如 Jsoup。它提供了 Whitelist API 进行清理HTML。另请参阅此食谱文档。

这是在 Jsoup 的帮助下的启动示例，它只允许在所选 Whitelist< 的标准标签集旁边使用

和

标签/code> 是 Whitelist#simpleText()。

String html = "<div id='someId' style='color: #000000'><p class='someClass'>Some Text</p><img src='images/someimage.jpg' alt='' /><a href='somelink.html'>Some Link Text</a></div>";
Whitelist whitelist = Whitelist.simpleText(); // Whitelist.simpleText() allows b, em, i, strong, u. Use Whitelist.none() instead if you want to start clean.
whitelist.addTags("div", "p");
String clean = Jsoup.clean(html, whitelist);
System.out.println(clean);

这导致

<div>
   <p>Some Text</p>Some Link Text
</div>

另请参阅：

• 如何实现用户以安全的方式发布一些 html 格式的数据的可能性？

Answer 2

您可以像这样删除所有属性：

string.replaceAll("(<\\w+)[^>]*(>)", "$1$2");

此表达式匹配开始标记，但仅捕获其标头 和结束 > 作为组 1 和 2。 >replaceAll 使用对这些组的引用，将它们以 $1$2 的形式重新加入到输出中。这会剪掉标签中间的属性。

Answer 3

/<(/?\w+) .*?>/<\1>/ 可能有效 - 获取标签（匹配组）并读取任何属性，直到右括号并将其替换只有背板和标签。

Answer 4

如果您使用 SAX 或 DOM，并获取节点名称和值，并删除所有属性，可能会容易得多。