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HTML
Document 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);
}
}