Java如何去除字符串中的HTML标签
使用爬虫爬取网站数据，有时会将HTML相关的标签也一并获取，如何将这些无关的标签去除呢，往下看：
直接写个Test类：
代码语言：javascript复制@Test
void deleteHtmlTags() {
//定义字符串
String htmlStr = "<script type>var i=1; alert(i)</script><style> .font1{font-size:12px}</style><span>少年中国说。</span>红日初升，其道大光。<h3>河出伏流，一泻汪洋。</h3>潜龙腾渊， 鳞爪 飞扬。乳 虎啸 谷，百兽震惶。鹰隼试翼，风尘吸张。奇花初胎，矞矞皇皇。干将发硎，有作 其芒。天戴其苍，地履其黄。纵有千古，横有"
"八荒。<a href="www.baidu.com">前途似海，来日方长</a>。<h1>美哉我少年中国，与天不老！</h1><p>壮哉我中国少年，与国无疆！</p>";
//定义script的正则表达式，去除js可以防止注入
String scriptRegex = "<script[^>]*?>[\s\S]*?<\/script>";
//定义style的正则表达式，去除style样式，防止css代码过多时只截取到css样式代码
String styleRegex = "<style[^>]*?>[\s\S]*?<\/style>";
//定义HTML标签的正则表达式，去除标签，只提取文字内容
String htmlRegex = "<[^>] >";
//定义空格,回车,换行符,制表符
String spaceRegex = "\s*|t|r|n";
// 过滤script标签
htmlStr = htmlStr.replaceAll(scriptRegex, "");
// 过滤style标签
htmlStr = htmlStr.replaceAll(styleRegex, "");
// 过滤html标签
htmlStr = htmlStr.replaceAll(htmlRegex, "");
// 过滤空格等
htmlStr = htmlStr.replaceAll(spaceRegex, "");
// 过滤
htmlStr = htmlStr.replace(" ", "");
// 过滤 
htmlStr = htmlStr.replace(" ", "");
// 返回文本字符串
htmlStr = htmlStr.trim();
//去除空格" "
htmlStr = htmlStr.replaceAll(" ", "");
System.out.println(htmlStr);
}最终的结果如下：
原先爬取的字符串中的script、style、html等标签，以及空格、 都已经筛除了。
