java - 如何保留 XML 标签但删除 HTML 标签

<分区>

我有一个包含一些 HTML 标签的 XML 文件。我想保留 XML 标签但删除 HTML 标签。例如在下面的结构中

<xml_tag_parent>
     <xml_tag_child>
       Some text here <p> some parag here </p>
     </xml_tag_child>
</xml_tag_parent>

我想得到:

<xml_tag_parent>
     <xml_tag_child>
       Some text here some parag here 
     </xml_tag_child>
</xml_tag_parent>

事先不知道xml标签是什么。另请注意，HTML 标记可能是嵌套的，所以我不能只获取节点的值。例如在下面的 xml 文档中:

<description id="description">
  <heading id="h-0001" level="1">CROSS REFERENCE</heading>
  <p id="p-0002" num="0001">The Paragraph </p>
  <claim attr="someAttr"> abcs </claim>
  <claim attr="2">
    <p> this is another paragraph <b>with some bold things</b> </p>
  </claim>
</description id="description">

我想得到:

<description id="description">
  CROSS REFERENCE The Paragraph
  <claim attr="someAttr"> abcs </claim>
  <claim attr="2">
    this is another paragraph with some bold things
  </claim>
</description id="description">

我可以尝试对所有 HTML 标签进行硬编码，找到它们，然后删除它们。例如，我可以查找 < p > 标签并将其替换为空字符串，但这听起来不对，此外还有很多我需要覆盖的标签。是否有 Java 库或更好的方法来做到这一点？

最佳答案

您可以使用Jericho jar 来实现您想要的。

它能够只提取 html 标签并忽略所有其他标签，符合您的需要。

http://jericho.htmlparser.net/docs/index.html

关于java - 如何保留 XML 标签但删除 HTML 标签，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/37713794/