不能只靠一个正则安全彻底剔除HTML标签，因正则不支持递归，无法处理嵌套、自闭合标签、注释、CDATA及含>的属性值；推荐用JSoup解析器。
用 string.replaceall() 直接“一次性剔除所有 html 标签对”看似简单，但**不能只靠一个正则就安全、彻底、通用地实现**。原因在于：html 是嵌套结构，而正则表达式（尤其 java 中的 replaceall 所用的 java 正则）**不支持递归匹配**，无法正确处理嵌套标签（如 <div><p>text</p></div>）、自闭合标签（<img />）、注释（<!-- ... -->）、cdata 段，或含属性、引号、尖括号转义的复杂情况。
为什么单个正则不可靠？
常见错误写法：html.replaceAll("<[^>]*>", "")
- 会漏掉含
>的属性值，比如<a href="a>b">link</a>→ 匹配提前终止，残留">link</a> - 无法跳过注释：
<!-- <p>comment</p> -->会被误删成<p>comment</p> - 对
<script>alert("<div>");</script>这类内容中的尖括号完全无感知，可能破坏逻辑或留下残缺标签 - 无法识别自闭合标签边界，如
<br/>或<input type="text">在不同写法下表现不一
推荐做法：用 JSoup（最稳妥）
真正安全、健壮、符合 HTML 规范的方案是使用专业解析器。JSoup 是 Java 生态中最常用、轻量且 API 友好的选择：
import org.jsoup.Jsoup; import org.jsoup.nodes.Document; <p>String cleanText = Jsoup.parse(html).body().text(); // 提取纯文本（自动剥离所有标签、脚本、样式） // 或更精确控制： String cleanText = Jsoup.clean(html, Jsoup.Whitelist.none()); // 移除所有标签，保留文本和空白
✅ 自动处理嵌套、实体编码（ → 空格）、注释、脚本/样式内容、各种标签变体
✅ 不依赖正则，基于真实 HTML 解析树
✅ 支持白名单过滤（如只留 <p><strong>），远超“单纯删标签”需求
如果坚持用正则（仅限简单、可控场景）
仅当确认 HTML 非常规整（无属性含 >、无注释、无脚本、无嵌套）、且可接受一定风险时，可用多步正则组合逼近效果：
将调研报告、方案对比、数据分析、需求梳理、会议纪要、设计说明、代码评审、学习笔记等任务产物输出为可在浏览器直接打开的单文件 HTML，替代 Markdown 作为最终交付物。Markdown 在信息密度、视觉清晰度和可分享性上已跟不上 AI 产物的丰富度，HTML 能同时承载排版、表格、SVG 等。
立即学习“前端免费学习笔记（深入）”；
// 1. 先移除注释（避免干扰）
html = html.replaceAll("<!--[\s\S]*?-->", "");
// 2. 移除 script/style 内容（防止其中的 <> 干扰）
html = html.replaceAll("<(script|style)[^>]*>[\s\S]*?</\1>", "");
// 3. 最后移除所有标签（含自闭合）
html = html.replaceAll("</?[a-zA-Z][^>]*>", "");
// 4. 清理多余空白（可选）
html = html.replaceAll("\s+", " ").trim();
⚠️ 注意：
• [\s\S] 用于跨行匹配（Java 正则默认不匹配换行）
• /? 匹配开/闭/自闭合标签的斜杠
• [a-zA-Z] 确保只匹配合法标签名开头（跳过 <![CDATA[ 等）
• 仍无法处理属性中含未转义 > 的极端情况
不推荐的“捷径”陷阱
以下写法看似简洁，实际问题更多：
-
replaceAll("<.*?>", "")——.默认不匹配换行，且贪婪性在含多标签时易跨标签匹配 -
replaceAll("<[^>]*>", "")—— 如前所述，属性值含>即崩溃 - 试图用负向先行断言（
(?!</)...）模拟“非结束标签”——逻辑复杂、性能差、Java 支持有限，极易出错
真正想“一次性干净剔除”，别绕弯子。引入 JSoup（Maven 一行依赖），两行代码解决，稳定可靠。正则适合简单清洗，不是 HTML 解析的工具。
