java - 从java中的String中删除Html标签，除了少数特定标签

Question

我的输入是纯文本字符串，要求删除除少数特定标签之外的所有 html 标签，例如:

<p>
<li>
<u>
<li>

如果这些特定标签具有 class 或 id 等属性，我想删除这些属性。

几个例子:

<a href = "#">Link</a>            ->   Link

<p>paragraph</p>                  ->   <p>paragraph</p>

<p class="class1">paragraph</p>   ->   <p>paragraph</p>

我已经完成了这个Remove HTML tags from a String但它并没有完全回答我的问题。

它可以由一组正则表达式处理还是我可以使用一些库？

Answer 1

我试过 JSoup，它似乎能够处理所有此类情况。这是示例代码。

 public String clean(String unsafe){
        Whitelist whitelist = Whitelist.none();
        whitelist.addTags(new String[]{"p","br","ul"});

        String safe = Jsoup.clean(unsafe, whitelist);
        return StringEscapeUtils.unescapeXml(safe);
 }

对于输入字符串

String unsafe = "<p class='p1'>paragraph</p>< this is not html > <a link='#'>Link</a> <![CDATA[<sender>John Smith</sender>]]>";

我得到以下输出，这几乎是我所需要的。

<p>paragraph</p>< this is not html > Link <sender>John Smith</sender>