快捷導(dǎo)航

Java識別和處理HTML標(biāo)簽內(nèi)容的常用方法

更新時(shí)間：2025年07月07日 09:49:57 作者：白大鍋

這篇文章總結(jié)了識別和處理HTML的幾種方法：推薦使用Jsoup處理復(fù)雜結(jié)構(gòu),因其功能強(qiáng)大且API友好；避免正則表達(dá)式和XML解析器處理嵌套標(biāo)簽；需清理用戶輸入中的潛在安全風(fēng)險(xiǎn),并注意字符編碼問題,需要的朋友可以參考下

1. 使用正則表達(dá)式（簡單場景）

適用于簡單的 HTML 標(biāo)簽識別和提取：

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>";
        
        // 匹配所有標(biāo)簽
        Pattern tagPattern = Pattern.compile("<[^>]+>");
        Matcher tagMatcher = tagPattern.matcher(html);
        
        System.out.println("所有HTML標(biāo)簽:");
        while (tagMatcher.find()) {
            System.out.println(tagMatcher.group());
        }
        
        // 匹配特定標(biāo)簽（如<a>標(biāo)簽）
        Pattern aTagPattern = Pattern.compile("<a\\b[^>]*>(.*?)</a>");
        Matcher aTagMatcher = aTagPattern.matcher(html);
        
        System.out.println("\n所有<a>標(biāo)簽:");
        while (aTagMatcher.find()) {
            System.out.println("完整標(biāo)簽: " + aTagMatcher.group(0));
            System.out.println("標(biāo)簽內(nèi)容: " + aTagMatcher.group(1));
        }
        
        // 匹配標(biāo)簽屬性
        Pattern attrPattern = Pattern.compile("\\b(href|src)=['\"]([^'\"]*)['\"]");
        Matcher attrMatcher = attrPattern.matcher(html);
        
        System.out.println("\n所有href/src屬性:");
        while (attrMatcher.find()) {
            System.out.println(attrMatcher.group(1) + " = " + attrMatcher.group(2));
        }
    }
}

注意：正則表達(dá)式不適合處理復(fù)雜的、嵌套的 HTML 結(jié)構(gòu)。

2. 使用 Jsoup（推薦）

Jsoup 是一個(gè)強(qiáng)大的 Java HTML 解析庫：

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HTML
        Document doc = Jsoup.parse(html);
        
        // 獲取標(biāo)題
        System.out.println("標(biāo)題: " + doc.title());
        
        // 獲取所有段落
        Elements paragraphs = doc.select("p");
        System.out.println("\n所有段落:");
        for (Element p : paragraphs) {
            System.out.println(p.text());
        }
        
        // 獲取特定ID的元素
        Element contentDiv = doc.getElementById("content");
        System.out.println("\nID為content的div:");
        System.out.println(contentDiv.html());
        
        // 獲取特定class的元素
        Elements textElements = doc.getElementsByClass("text");
        System.out.println("\nclass為text的元素:");
        for (Element el : textElements) {
            System.out.println(el.text());
        }
        
        // 獲取所有鏈接
        Elements links = doc.select("a[href]");
        System.out.println("\n所有鏈接:");
        for (Element link : links) {
            System.out.println("文本: " + link.text() + ", 鏈接: " + link.attr("href"));
        }
        
        // 獲取元素的父級和子級
        Element firstP = paragraphs.first();
        System.out.println("\n第一個(gè)段落的父元素: " + firstP.parent().tagName());
        System.out.println("第一個(gè)段落的子元素?cái)?shù)量: " + firstP.children().size());
    }
}

3. 使用 JDK 內(nèi)置的 XML 解析器（適用于 XHTML）

對于格式良好的 XHTML，可以使用 JDK 內(nèi)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)));
        
        // 獲取所有段落
        NodeList paragraphs = doc.getElementsByTagName("p");
        System.out.println("找到 " + paragraphs.getLength() + " 個(gè)段落:");
        
        for (int i = 0; i < paragraphs.getLength(); i++) {
            System.out.println(paragraphs.item(i).getTextContent());
        }
    }
}

4. 使用 HTMLCleaner

HTMLCleaner 是另一個(gè)輕量級的 HTML 解析庫：

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);
        
        // 獲取所有段落
        TagNode[] paragraphs = rootNode.getElementsByName("p", true);
        System.out.println("找到 " + paragraphs.length + " 個(gè)段落:");
        
        for (TagNode p : paragraphs) {
            System.out.println(p.getText().toString());
        }
    }
}

5. 處理 HTML 文本（去除標(biāo)簽）

如果只需要提取文本內(nèi)容而不需要標(biāo)簽結(jié)構(gòu)：

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("純文本內(nèi)容:\n" + text);
        
        // 簡單正則方法去除標(biāo)簽（不推薦用于復(fù)雜HTML）
        String textOnly = html.replaceAll("<[^>]+>", "");
        System.out.println("\n簡單去除標(biāo)簽后的文本:\n" + textOnly);
    }
}

最佳實(shí)踐建議

推薦使用 Jsoup：它功能強(qiáng)大、API友好，適合大多數(shù)HTML處理場景
避免使用正則處理復(fù)雜HTML：正則表達(dá)式難以正確處理嵌套標(biāo)簽和格式不規(guī)范的HTML
注意HTML清理：當(dāng)處理用戶輸入的HTML時(shí)，應(yīng)該清理潛在的惡意內(nèi)容
考慮性能：對于大量HTML處理，Jsoup的性能通常足夠好
處理編碼問題：確保正確處理HTML文檔的字符編碼

安全注意事項(xiàng)

當(dāng)處理用戶提供的HTML內(nèi)容時(shí)，務(wù)必考慮安全風(fēng)險(xiǎn)：

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，只允許文本
        String safeText = Jsoup.clean(unsafeHtml, Safelist.none());
        System.out.println("僅文本:\n" + safeText);
        
        // 允許基本格式和安全的鏈接
        String basicHtml = Jsoup.clean(unsafeHtml, Safelist.basic());
        System.out.println("\n基本HTML:\n" + basicHtml);
        
        // 自定義白名單
        Safelist customList = Safelist.basic()
            .addTags("div", "span")
            .addAttributes("div", "class");
        String customClean = Jsoup.clean(unsafeHtml, customList);
        System.out.println("\n自定義清理:\n" + customClean);
    }
}

到此這篇關(guān)于Java識別和處理HTML標(biāo)簽內(nèi)容的常用方法的文章就介紹到這了,更多相關(guān)Java識別和處理HTML內(nèi)容內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: