Java 移除字串中 HTML 標籤的實用方法

前言

在 Java 開發中，經常需要從字串中移除 HTML 標籤以獲取純文本內容。雖然可以使用第三方庫（如 Jsoup），但若不想引入額外依賴，利用正則表達式實現一個輕量級的工具方法是常見選擇。本文介紹一個經典的 stripHtml 方法，並說明其核心邏輯與注意事項。

核心代碼實現

/**
 * 移除字串中的 HTML 代碼。
 * 注意：要求數據格式規範，如尖括號成對出現，否則可能誤刪內容。
 *
 * @param content 原始內容
 * @return 移除標籤後的純文本
 */
public static String stripHtml(String content) {
    // 1. 將 <p> 段落標籤替換為換行符
    content = content.replaceAll("<p .*?>", "\r\n");
    // 2. 將 <br>、<br/> 替換為換行符
    content = content.replaceAll("<br\\s*/?>", "\r\n");
    // 3. 移除所有剩餘的 <...> 標籤內容
    content = content.replaceAll("\\<.*?>", "");
    // 4. (可選) 還原 HTML 實體字符，如 &lt; -> <
    // content = HTMLDecoder.decode(content);
    return content;
}

關鍵邏輯解析

• 分步處理：先處理段落和換行標籤，保留文本結構；再統一清理其他標籤。
• 非貪婪匹配：使用 .*? 確保匹配最短的標籤範圍，避免跨標籤誤刪。
• 轉義字符：正則中 < 需轉義為 \\<（Java 字串中雙重轉義）。

使用場景與限制

此方法適用於結構良好的 HTML 片段（如富文本編輯器輸出）。但對於嵌套複雜、屬性包含 > 符號、或包含腳本/樣式標籤的完整網頁，純正則方案可能失效。生產環境建議考慮成熟的 HTML 解析器。

總結

通過幾行正則替換即可實現基本的 HTML 去標籤需求，無需額外依賴。理解其原理有助於在簡單場景下快速解決問題，同時也清楚其邊界以免濫用。