Html To Pdf

使用 Puppeteer + Chrome 将 HTML 渲染为中文 PDF，自动处理图表等待、Tab 展开、动画、测高、白边消除、防分页，适用于看板、报表、网页和交互图表转 PDF。

下载

java中通过正则表达式]*>替换移除html标签，简单高效但不安全，无法处理嵌套、注释、cdata及恶意属性，仅适用于日志清洗等低风险场景；高安全需求必须使用jsoup等专业解析器。

Java 中通过字符串替换实现 HTML 标签过滤，本质是用正则表达式匹配尖括号包裹的内容（即 `<...>`），再替换成空字符串。这种方式简单直接，适合对安全性要求不高的场景（如日志清洗、前端展示前的简易净化），但不能替代专业的 HTML 解析器（如 Jsoup），因为它无法处理嵌套、注释、CDATA、属性中的 JS 事件等复杂或恶意构造的情况。

基础正则替换：移除所有标签

最常用的是用 replaceAll() 配合正则 "]*>"：

• ]*> 表示：从 开始，匹配任意非 <code>> 字符（包括空格、斜杠、字母数字等），直到遇到第一个 > 结束
• 它能覆盖 <p></p>、<div class="a">、<code>、<br> 等常见形式
• 示例代码：
    String clean = html.replaceAll("]*>", "");

注意边界情况：换行与注释

默认正则 "]*>" 不跨行，遇到换行会中断匹配。如果原始 HTML 含换行标签（如多行写的 <script></script>），需加 Pattern.DOTALL 标志：

• 写法：html.replaceAll("(?s)]*>", "")（(?s) 启用 DOTALL 模式，使 . 匹配换行符）
• 但该正则仍无法过滤 HTML 注释 <!-- ... -->，因其内部含 >。若需清理注释，得额外加一条：
    clean = clean.replaceAll("", "");

更稳妥的轻量级方案：分步 + 白名单思路

若想保留部分无害标签（如 <b></b>、<i></i>），可先转义全部，再恢复白名单标签：

• 第一步：把所有 和 <code>> 转义为 HTML 实体（防执行）：
    html = html.replace("", ">");
• 第二步：只还原你信任的内联标签（用 replace 而非正则，避免误匹配）：
    html = html.replace("<b>", "")
              .replace("</b>", "")
              .replace("<i>", "")
              .replace("</i>", "");

重要提醒：别用于安全敏感场景

仅靠字符串替换无法防御如下攻击：

• <img src="x" onerror="alert(1)"> —— 属性中含 JS，正则删了标签但没清属性逻辑
• <svg><script>alert()</script></svg> —— 嵌套结构易漏匹配
• <style>p{background:url('javascript:alert()')}</style> —— CSS 中的 JS
• 若业务涉及用户输入展示（如评论、富文本编辑），必须用 Jsoup 等库做解析+白名单过滤