java中解析HTML的方法：Jsoup和正则表达式

近期由于项目安全需要，为了防止XSS注入，对于上传的HTML文件需要过滤JS和CSS，对于一些公用的可以采取白名单的方式，这里记录下解析HTML文件的方法。

第一种：JSOUP

File input = new File("C:\\Users\\Administrator\\Desktop\\test.html");
        Document doc = Jsoup.parse(input, "UTF-8", "");
        Elements elements = doc.getElementsByTag("script");
        for (Element element : elements) {
            System.out.println(element.attr("src"));
        }

第二种：正则表达式：

/**
     * 获取指定HTML标签的指定属性的值
     * @param source 要匹配的源文本
     * @param element 标签名称
     * @param attr 标签的属性名称
     * @return 属性值列表
     */
    public static List match(String source, String element, String attr) {
        List result = new ArrayList();
        String reg = "<" + element + "[^<>]*?\\s" + attr + "=['\"]?(.*?)['\"]?(\\s.*?)?>";
        Matcher m = Pattern.compile(reg).matcher(source);
        while (m.find()) {
            String r = m.group(1);
            result.add(r);
        }
        return result;
    }

    public static void main(String[] args) {
        String source = "aaabbb";
        List list = match(source, "a", "title");
        System.out.println(list);
    }