求解决方案：从含HTML标签的字符串提取100个可读文本字符

嘿，我完全懂你的痛点——正则去标签会留一堆乱七八糟的空格，直接截又把HTML标签也算进字符数里，确实头疼！既然不能用JavaScript，我给你整理了两种主流语言的解决方案，核心思路都是先干净提取纯文本，再精准截取：

核心步骤拆解 #

1. 彻底移除HTML标签：用正则把所有<>包裹的标签一次性清掉
2. 清理冗余空白：把连续的空格、换行、制表符都替换成单个空格，再去掉首尾的多余空格
3. 智能截取100字符：尽量避免截断完整单词，找到第100位附近的最后一个空格再截断，加个省略号更友好

C# 实现示例 #

// 替换成你的实际带HTML标签的字符串
string htmlContent = "<article><h1>Hello World</h1><p>This is a <b>sample</b> string with nested <div>HTML</div> tags. We need to extract the first 100 readable characters without any messy tags or spaces.</p></article>";

// 步骤1：移除所有HTML标签
string plainText = System.Text.RegularExpressions.Regex.Replace(htmlContent, @"<[^>]+>", string.Empty);

// 步骤2：清理所有连续空白字符
plainText = System.Text.RegularExpressions.Regex.Replace(plainText, @"\s+", " ").Trim();

// 步骤3：智能截取前100字符，避免截断单词
string finalText = plainText.Length > 100 
    ? plainText.Substring(0, plainText.LastIndexOf(' ', 100)) + "..." 
    : plainText;

Console.WriteLine(finalText);

Java 实现示例 #

import java.util.regex.Pattern;

public class HtmlTextProcessor {
    public static void main(String[] args) {
        // 替换成你的实际带HTML标签的字符串
        String htmlContent = "<article><h1>Hello World</h1><p>This is a <b>sample</b> string with nested <div>HTML</div> tags. We need to extract the first 100 readable characters without any messy tags or spaces.</p></article>";
        
        // 步骤1：移除所有HTML标签
        String plainText = Pattern.compile("<[^>]+>").matcher(htmlContent).replaceAll("");
        
        // 步骤2：清理连续空白字符
        plainText = Pattern.compile("\\s+").matcher(plainText).replaceAll(" ").trim();
        
        // 步骤3：智能截取
        String finalText;
        if (plainText.length() > 100) {
            int lastSpacePos = plainText.lastIndexOf(' ', 100);
            finalText = plainText.substring(0, lastSpacePos) + "...";
        } else {
            finalText = plainText;
        }
        
        System.out.println(finalText);
    }
}

方案优势说明 #

• 正则<[^>]+>能匹配所有HTML标签（包括自闭合标签如<img/>），不会遗漏
• 用\s+替换连续空白，彻底解决正则去标签后残留乱空格的问题
• 截取时定位最后一个空格，避免把完整单词劈成两半，保证可读性

内容的提问来源于stack exchange，提问作者Mohammed Moosa Laghari