怎么通过 String.replaceAll() 配合正则一次性将 HTML 文本中所有的标签对全部剔除干净-java教程-PHP中文网

不能只靠一个正则安全彻底剔除html标签，因正则不支持递归，无法处理嵌套、自闭合标签、注释、cdata及含>的属性值；推荐用jsoup解析器。

用 string.replaceall() 直接“一次性剔除所有 html 标签对”看似简单，但**不能只靠一个正则就安全、彻底、通用地实现**。原因在于：html 是嵌套结构，而正则表达式（尤其 java 中的 replaceall 所用的 java 正则）**不支持递归匹配**，无法正确处理嵌套标签（如 <div><p>text</p></div>）、自闭合标签（<img>）、注释（）、CDATA 段，或含属性、引号、尖括号转义的复杂情况。

为什么单个正则不可靠？

常见错误写法：html.replaceAll("]*>", "")

会漏掉含 > 的属性值，比如 @#@#@#@#@#@#@#@#@#@0 → 匹配提前终止，残留 ">link
无法跳过注释： 会被误删成 <p>comment</p>
对 <script>alert("<div>");</script> 这类内容中的尖括号完全无感知，可能破坏逻辑或留下残缺标签
无法识别自闭合标签边界，如 <br> 或 <input type="text"> 在不同写法下表现不一

推荐做法：用 JSoup（最稳妥）

真正安全、健壮、符合 HTML 规范的方案是使用专业解析器。JSoup 是 Java 生态中最常用、轻量且 API 友好的选择：

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
<p>String cleanText = Jsoup.parse(html).body().text(); // 提取纯文本（自动剥离所有标签、脚本、样式）
// 或更精确控制：
String cleanText = Jsoup.clean(html, Jsoup.Whitelist.none()); // 移除所有标签，保留文本和空白
</p>

✅ 自动处理嵌套、实体编码（ → 空格）、注释、脚本/样式内容、各种标签变体
✅ 不依赖正则，基于真实 HTML 解析树
✅ 支持白名单过滤（如只留 <p><strong></strong></p><div class="aritcle_card flexRow artxards"> <div class="artcardd flexRow"> <a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill8961" title="html-to-pptx-converter"><img src="https://img.php.cn/upload/skill/000/000/081/179232667384043.jpg" alt="html-to-pptx-converter" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a> <div class="aritcle_card_info flexColumn"> <a rel="nofollow" href="/xiazai/skill8961" title="html-to-pptx-converter" class="overflowclass">html-to-pptx-converter</a> <p class="overflowclass">使用 PptxGenJS 和 Python 解析，将结构化的 HTML/CSS 幻灯片内容转换为原生、可编辑的 PowerPoint（.pptx）演示文稿。</p> </div> <a rel="nofollow" href="/xiazai/skill8961" title="html-to-pptx-converter" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a> </div> </div>），远超“单纯删标签”需求

如果坚持用正则（仅限简单、可控场景）

仅当确认 HTML 非常规整（无属性含 >、无注释、无脚本、无嵌套）、且可接受一定风险时，可用多步正则组合逼近效果：

// 1. 先移除注释（避免干扰）
html = html.replaceAll("<!--[\s\S]*?-->", "");
// 2. 移除 script/style 内容（防止其中的  干扰）
html = html.replaceAll("]*>[\s\S]*?\1>", "");
// 3. 最后移除所有标签（含自闭合）
html = html.replaceAll("?[a-zA-Z][^>]*>", "");
// 4. 清理多余空白（可选）
html = html.replaceAll("\s+", " ").trim();

⚠️ 注意：
• [\s\S] 用于跨行匹配（Java 正则默认不匹配换行）
• /? 匹配开/闭/自闭合标签的斜杠
• [a-zA-Z] 确保只匹配合法标签名开头（跳过 等）<br>• 仍无法处理属性中含未转义 <code>> 的极端情况