Eliminación de etiquetas HTML en Java

Question

¿Existe una biblioteca Java existente que proporcione un método para quitar todas las etiquetas HTML de una cadena? Estoy buscando algo equivalente a la función strip_tags en PHP.

Sé que puedo usar una expresión regular como se describe en this Stackoverflow question, sin embargo, estaba ansioso por ver si puede haber ya un método stripTags() flotando en algún lugar en la biblioteca de Apache Commons que se puede utilizar.

Answer 1

Después de tener esta pregunta abierta durante casi una semana, puedo decir con cierta certeza de que no hay un método disponible en la API de Java o libaries Apache que elimina las etiquetas HTML de una cadena. Tendría que usar un analizador HTML como se describe en las respuestas anteriores, o escribir una expresión regular simple para quitar las etiquetas.

Answer 2

Puede haber algunas, pero la más robusta es usar un analizador de HTML real. Hay uno here, y si está razonablemente bien formado, también puede usar SAX u otro analizador XML.

Answer 3

He usado nekoHtml para hacer eso. Puede quitar todas las etiquetas, pero también puede mantener o quitar un subconjunto de etiquetas.

Answer 4

Hagas lo que hagas, asegúrate de normalizar los datos antes de comenzar a tratar de quitar las etiquetas. Recientemente asistí a un taller de seguridad de aplicaciones web que cubría la evasión de filtros XSS. Uno normalmente pensaría que la búsqueda de < o < o su equivalente hexadecimal sería suficiente. Me quedé impresionado después de ver una diapositiva con 70 formas en que < se puede codificar para vencer a los filtros.

Actualización:

A continuación se muestra la presentación que me refería, véase la diapositiva 26 para las 70 formas de codificar <.

Filter Evasion: Houdini on the Wire

Answer 5

Wicket utiliza el siguiente método para escapar html, ubicado en: org.apache.wicket.util.string.Strings

public static CharSequence escapeMarkup(final String s, final boolean escapeSpaces, 
    final boolean convertToHtmlUnicodeEscapes) 
{ 
    if (s == null) 
    { 
     return null; 
    } 
    else 
    { 
     int len = s.length(); 
     final AppendingStringBuffer buffer = new AppendingStringBuffer((int)(len * 1.1)); 

     for (int i = 0; i < len; i++) 
     { 
      final char c = s.charAt(i); 

      switch (c) 
      { 
       case '\t' : 
        if (escapeSpaces) 
        { 
         // Assumption is four space tabs (sorry, but that's 
         // just how it is!) 
         buffer.append("&nbsp;&nbsp;&nbsp;&nbsp;"); 
        } 
        else 
        { 
         buffer.append(c); 
        } 
        break; 

       case ' ' : 
        if (escapeSpaces) 
        { 
         buffer.append("&nbsp;"); 
        } 
        else 
        { 
         buffer.append(c); 
        } 
        break; 

       case '<' : 
        buffer.append("&lt;"); 
        break; 

       case '>' : 
        buffer.append("&gt;"); 
        break; 

       case '&' : 

        buffer.append("&amp;"); 
        break; 

       case '"' : 
        buffer.append("&quot;"); 
        break; 

       case '\'' : 
        buffer.append("&#039;"); 
        break; 

       default : 

        if (convertToHtmlUnicodeEscapes) 
        { 
         int ci = 0xffff & c; 
         if (ci < 160) 
         { 
          // nothing special only 7 Bit 
          buffer.append(c); 
         } 
         else 
         { 
          // Not 7 Bit use the unicode system 
          buffer.append("&#"); 
          buffer.append(new Integer(ci).toString()); 
          buffer.append(';'); 
         } 
        } 
        else 
        { 
         buffer.append(c); 
        } 

        break; 
      } 
     } 

     return buffer; 
    } 
} 

Answer 6

Esto es lo que encontré en Google en él. Para mí funcionó bien.

String noHTMLString = htmlString.replaceAll("\\<.*?\\>", ""); 

Answer 7

Hola Sé que este hilo es viejo pero todavía salió tapas en Google, y yo estaba buscando una solución rápida para el mismo problema. No pude encontrar nada útil, así que se me ocurrió este fragmento de código. Espero que ayude a alguien. Simplemente pasa por encima de la cadena y se salta todas las etiquetas. Simple & simple.

boolean intag = false; 
String inp = "<H1>Some <b>HTML</b> <span style=blablabla>text</span>"; 
String outp = ""; 

for (int i=0; i < inp.length(); ++i) 
{ 
    if (!intag && inp.charAt(i) == '<') 
     { 
      intag = true; 
      continue; 
     } 
     if (intag && inp.charAt(i) == '>') 
     { 
      intag = false; 
      continue; 
     } 
     if (!intag) 
     { 
      outp = outp + inp.charAt(i); 
     } 
} 
return outp; 

Answer 8

Uso JSoup, está bien documentado, disponible en Maven y después de un día de pasar tiempo con varias bibliotecas, para mí, es el mejor que puedo imaginar .. Mi opinión es que un trabajo como que, analizando html en texto plano, debería ser posible en una línea de código -> de lo contrario, la biblioteca ha fallado de alguna manera ... simplemente diciendo ^^ Así que aquí está, el one-liner de JSoup - en Markdown4J, algo así no es posible, en Markdownj también, en htmlCleaner este es el dolor en el culo con un tanto cerca de 50 líneas de código ...

String plain = new HtmlToPlainText().getPlainText(Jsoup.parse(html)); 

Y lo que tienes es de texto plano real (no solo html-source-code como String, como en otras libs lol) -> realmente hace un gran trabajo al respecto.Es más o menos la misma calidad que Markdownify para PHP ....

Answer 9

Sé que esta pregunta es bastante antigua, pero he estado buscando esto también y parece que todavía no es fácil encontrar una buena y una solución fácil en java.

Hoy me encontré con este pequeño funciones lib. En realidad, intenta imitar la función php strip_tags.

http://jmelo.lyncode.com/java-strip_tags-php-function/

Funciona de la siguiente (copiado de su sitio):

import static com.lyncode.jtwig.functions.util.HtmlUtils.stripTags; 

    public class StripTagsExample { 
     public static void main(String... args) { 
     String result = stripTags("<!-- <a href='test'></a>--><a>Test</a>", ""); 
     // Produced result: Test 
     } 
    } 

Answer 10

Con enfoque iterativo pura y sin expresiones regulares:

public String stripTags(final String html) { 

    final StringBuilder sbText = new StringBuilder(); 
    final StringBuilder sbHtml = new StringBuilder(); 

    boolean isText = true; 

    for (char ch : html.toCharArray()) { 
     if (isText) { // outside html 
      if (ch != '<') { 
       sbText.append(ch); 
       continue; 
      } else { // switch mode    
       isText = false;  
       sbHtml.append(ch); 
       continue; 
      } 
     }else { // inside html 
      if (ch != '>') { 
       sbHtml.append(ch); 
       continue; 
      } else {  // switch mode  
       isText = true;  
       sbHtml.append(ch); 
       continue; 
      } 
     } 
    } 

    return sbText.toString(); 
} 

Answer 11

Al utilizar Jsoup es aún más fácil de lo descrito en respuestas anteriores:

String html = "bla <b>hehe</b> <br> this is awesome simple"; 

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

Answer 12

public static String stripTags(String str) { 
    int startPosition = str.indexOf('<'); 
    int endPosition; 
    while (startPosition != -1) { 
     endPosition = str.indexOf('>', startPosition); 
     str = str.substring(0, startPosition) + (endPosition != -1 ? str.substring(endPosition + 1) : ""); 
     startPosition = str.indexOf('<'); 
    } 
    return str; 
} 

Answer 13

Tuve también el problema de una cadena truncada que daba como resultado etiquetas html no cerradas que regex no puede detectar. ES:

Lorem ipsum dolor sit amet, <b>consectetur</b> adipiscing elit. <a href="abc" 

Así, refiriéndose a los 2 mejores respuestas (JSoup y expresiones regulares), yo prefería solución utilizando JSoup:

Jsoup.parse(html).text()