Java 识别和处理 HTML 标签内容
1. 使用正则表达式（简单场景）
适用于简单的 HTML 标签识别和提取：
import java.util.regex.Matcher;
import java.util.regex.Pattern;public class HtmlTagExtractor {public static void main(String[] args) {String html = "<div><p>Hello <b>World</b></p><a href='example.com'>Link</a></div>";// 匹配所有标签Pattern tagPattern = Pattern.compile("<[^>]+>");Matcher tagMatcher = tagPattern.matcher(html);System.out.println("所有HTML标签:");while (tagMatcher.find()) {System.out.println(tagMatcher.group());}// 匹配特定标签（如<a>标签）Pattern aTagPattern = Pattern.compile("<a\\b[^>]*>(.*?)</a>");Matcher aTagMatcher = aTagPattern.matcher(html);System.out.println("\n所有<a>标签:");while (aTagMatcher.find()) {System.out.println("完整标签: " + aTagMatcher.group(0));System.out.println("标签内容: " + aTagMatcher.group(1));}// 匹配标签属性Pattern attrPattern = Pattern.compile("\\b(href|src)=['\"]([^'\"]*)['\"]");Matcher attrMatcher = attrPattern.matcher(html);System.out.println("\n所有href/src属性:");while (attrMatcher.find()) {System.out.println(attrMatcher.group(1) + " = " + attrMatcher.group(2));}}
}注意：正则表达式不适合处理复杂的、嵌套的 HTML 结构。
2. 使用 Jsoup（推荐）
Jsoup 是一个强大的 Java HTML 解析库：
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;public class JsoupExample {public static void main(String[] args) {String html = "<html><head><title>Sample</title></head>"+ "<body><div id='content'><p class='text'>First paragraph</p>"+ "<p>Second <b>paragraph</b></p><a href='example.com'>Link</a></div></body></html>";// 解析HTMLDocument doc = Jsoup.parse(html);// 获取标题System.out.println("标题: " + doc.title());// 获取所有段落Elements paragraphs = doc.select("p");System.out.println("\n所有段落:");for (Element p : paragraphs) {System.out.println(p.text());}// 获取特定ID的元素Element contentDiv = doc.getElementById("content");System.out.println("\nID为content的div:");System.out.println(contentDiv.html());// 获取特定class的元素Elements textElements = doc.getElementsByClass("text");System.out.println("\nclass为text的元素:");for (Element el : textElements) {System.out.println(el.text());}// 获取所有链接Elements links = doc.select("a[href]");System.out.println("\n所有链接:");for (Element link : links) {System.out.println("文本: " + link.text() + ", 链接: " + link.attr("href"));}// 获取元素的父级和子级Element firstP = paragraphs.first();System.out.println("\n第一个段落的父元素: " + firstP.parent().tagName());System.out.println("第一个段落的子元素数量: " + firstP.children().size());}
}3. 使用 JDK 内置的 XML 解析器（适用于 XHTML）
对于格式良好的 XHTML，可以使用 JDK 内置的 XML 解析器：
import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;
import org.w3c.dom.Document;
import org.w3c.dom.NodeList;public class XmlParserExample {public static void main(String[] args) throws Exception {String xhtml = "<html><body><p>Paragraph 1</p><p>Paragraph 2</p></body></html>";DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();DocumentBuilder builder = factory.newDocumentBuilder();Document doc = builder.parse(new InputSource(new StringReader(xhtml)));// 获取所有段落NodeList paragraphs = doc.getElementsByTagName("p");System.out.println("找到 " + paragraphs.getLength() + " 个段落:");for (int i = 0; i < paragraphs.getLength(); i++) {System.out.println(paragraphs.item(i).getTextContent());}}
}4. 使用 HTMLCleaner
HTMLCleaner 是另一个轻量级的 HTML 解析库：
import org.htmlcleaner.HtmlCleaner;
import org.htmlcleaner.TagNode;public class HtmlCleanerExample {public static void main(String[] args) throws Exception {String html = "<html><body><div><p>Hello</p><p>World</p></div></body></html>";HtmlCleaner cleaner = new HtmlCleaner();TagNode rootNode = cleaner.clean(html);// 获取所有段落TagNode[] paragraphs = rootNode.getElementsByName("p", true);System.out.println("找到 " + paragraphs.length + " 个段落:");for (TagNode p : paragraphs) {System.out.println(p.getText().toString());}}
}5. 处理 HTML 文本（去除标签）
如果只需要提取文本内容而不需要标签结构：
import org.jsoup.Jsoup;public class HtmlTextExtractor {public static void main(String[] args) {String html = "<div><p>Hello <b>World</b></p><a href='example.com'>Link</a></div>";// 使用Jsoup提取文本String text = Jsoup.parse(html).text();System.out.println("纯文本内容:\n" + text);// 简单正则方法去除标签（不推荐用于复杂HTML）String textOnly = html.replaceAll("<[^>]+>", "");System.out.println("\n简单去除标签后的文本:\n" + textOnly);}
}最佳实践建议
-
推荐使用 Jsoup：它功能强大、API友好，适合大多数HTML处理场景
-
避免使用正则处理复杂HTML：正则表达式难以正确处理嵌套标签和格式不规范的HTML
-
注意HTML清理：当处理用户输入的HTML时，应该清理潜在的恶意内容
-
考虑性能：对于大量HTML处理，Jsoup的性能通常足够好
-
处理编码问题：确保正确处理HTML文档的字符编码
安全注意事项
当处理用户提供的HTML内容时，务必考虑安全风险：
import org.jsoup.Jsoup;
import org.jsoup.safety.Safelist;public class HtmlSanitizer {public static void main(String[] args) {String unsafeHtml = "<div onclick='alert(\"xss\")'>Hello<script>alert('xss')</script><a href='javascript:alert(1)'>Link</a></div>";// 基本清理，只允许文本String safeText = Jsoup.clean(unsafeHtml, Safelist.none());System.out.println("仅文本:\n" + safeText);// 允许基本格式和安全的链接String basicHtml = Jsoup.clean(unsafeHtml, Safelist.basic());System.out.println("\n基本HTML:\n" + basicHtml);// 自定义白名单Safelist customList = Safelist.basic().addTags("div", "span").addAttributes("div", "class");String customClean = Jsoup.clean(unsafeHtml, customList);System.out.println("\n自定义清理:\n" + customClean);}
}