要把一段 HTML 字串還原成純文字,常見做法是拿正則表達式把標籤一併濾掉。這裡的 (?i) 表示比對時忽略大小寫,也就是不分大寫小寫都會被替換掉。
html = html.replaceAll("(<(?i)(|)[^]*/?>)|( )|(')|(\")", "");
System.out.println(html);
其中 (<(?i)(|)[^]*/?>)|( )|(')|(") 這段正則的意義是:比對全部的標籤,再加上 、單引號與雙引號,全部一併移除。
如果不需要全部清乾淨,只要調整括號裡的內容:
(<(?i)(|)[^]*/?>) -- 替換全部的標籤 (<(?i)(p|img)[^]*/?>) -- 只替換 p 和 img 標籤 (<(?i)a[^]*/?>) -- 僅替換 a 標籤
正則清標籤適合處理格式單純、內容可信的字串,例如自己輸出後再處理的片段。若要解析結構複雜、標籤可能未閉合的 HTML,用專門的解析器會更穩妥——正則表達式畢竟不是為巢狀結構設計的,遇到 <script> 區塊裡出現 < 這類情況就容易誤判。