使用Jsoup过滤HTML标签，获取纯文本

原创

沉默王二 2021-07-05 14:29:33 ©著作权

©著作权归作者所有：来自51CTO博客作者沉默王二的原创作品，请联系作者获取转载授权，否则将追究法律责任

通常情况下，把HTML富文本内容保存到数据库字段时，会自带一些HTML标签，然后将这些内容再次显示到网页上时，就能够保持文本在富文本中编辑时的HTML格式。

这种做法毫无疑问是没有问题的，但有的时候，我们需要将HTML标签去掉，只取纯文本内容。这个时候，该怎么做呢？

比如说有这样一段简单的HTML富文本内容，带有p标签（它表示p标签内部的文本是一个段落），但有的时候，我们在显示该内容的缩略文本时，并不需要p标签，也就是说，只想显示“你好呀，沉默王二，请坚持写作！”

注：通常情况下，HTML文本内容要比只有p标签这个复杂！

<p>你好呀，沉默王二，请坚持写作！</p>

假如要你来实现这个需求，你能想到的解决办法是什么呢？

1）存入数据库时，既存入<p>你好呀，沉默王二，请坚持写作！</p>，也存入你好呀，沉默王二，请坚持写作！在取的时候按需索取。

2）存入数据库时，只存入<p>你好呀，沉默王二，请坚持写作！</p>，在显示的时候，如果需要p标签，就不过滤p标签；如果不需要p标签，就通过一定的方法过滤掉p标签。过滤的时机有三处，其一是从数据库取数据时通过SQL过滤（但这会增加数据库压力）；其二是在服务器端向客户端返回数据时过滤掉HTML标签，再回传给客户端；其三是在view视图呈现时调用formatter进行过滤，我认为这种方法也是最好的。

第一种方案的解决办法，比如说使用UEditor，如下图。

使用Jsoup过滤HTML标签，获取纯文本_html

使用UEditor富文本编辑器的话，可以直接通过UEditor提供的两个API将带有HTML标签的内容和没有HTML标签的纯文本内容获取到。

第二种方案的解决办法，通过SQL过滤的方法我暂时还不会，另外它不是最优的解决方案。

第二、第三的区别在于契机不同，但服务器端过滤HTML标签的方法其实是一样的。

首先告诉大家的解决方案是使用jsoup！

官网地址为：https://jsoup.org/
截图如下：

使用Jsoup过滤HTML标签，获取纯文本_html_02

如果是传统项目的话，在「getting started」处下载jar包添加到项目构建路径下；
如果是Maven 构建项目的话，把一下内容粘贴到pom.xml 文件的依赖节点下。

<dependency>
  <!-- jsoup HTML parser library @ https://jsoup.org/ -->
  <groupId>org.jsoup</groupId>
  <artifactId>jsoup</artifactId>
  <version>1.11.2</version>
</dependency>

原HTML富文本内容和使用jsoup过滤后的结果如下图所示：

使用Jsoup过滤HTML标签，获取纯文本_html_03

具体代码实现非常简单，只有一行代码：

System.out.println(Jsoup.parse(unsafe).text());

使用jsoup过滤的结果是100%的纯文本。而使用一般使用正则表达式去HTML的做法在一定情况并不能保证是绝对的纯文本。

public static String replaceHtml(String html) {
	if (isBlank(html)){
		return "";
	}
	String regEx = "<.+?>";
	Pattern p = Pattern.compile(regEx);
	Matcher m = p.matcher(html);
	String s = m.replaceAll("");
	return s;
}

如果想使用formatter，请参照JSP标签库Taglib之自定义function篇，轻松实现日期格式化。