tirar tags HTML de texto antes de salvar em banco

Debugger Membro desde: 01/02/2008 15:46:33 Mensagens: 62 Offline

Senhores
estou com uma duvida...
È o seguinte:

1 - Atraves de uma url obtive um arquivo XML
2 - Transformei o xml em Objeto (mandei um unmarshal)
3 - tal objeto tem varios campos, entre eles um chamado "noticia".
4 - dou um get em noticia e mando salvar em banco atraves do hibernate.

o problema é que o texto vai com tags html (td, table, br, etc...) e quando mando um find da noticia, a mesma me aparece toda zuada...
sem falar na acentuação que vai zuada tb...

alguem indica um caminho para retirar essas tags antes de envia-la para o banco ?

valeu!!!

What is classpath? Membro desde: 13/08/2008 13:44:00 Mensagens: 8 Offline

Num pedaço de código HTML, para retirar todas as tags HTML, mantendo apenas o texto presente, veja estas funções abaixo.
A base é o médoto replaceAll da classe String.

/**
	 * Retira todas as tags HTML de um código HTML, devolvendo o texto restante.
	 * @param html HTML que terá as tags retiradas.
	 * @return texto sem tags HTML.
	 */
	public static String limpaHTML(String html) {
		return Conversor.seNulo(html) ? "" : html.replaceAll("<.*?>", " ").replaceAll("\\s+", " ").trim();
	}
	
	/**
	 * Retira todas as tags HTML do corpo (tag <body>) de um código HTML, devolvendo o texto restante.
	 * Se o corpo (tag <body>) for localizado no HTML, a parte do cabeçalho (tag <head> é descartada),
	 * do contrário (tag <body> não encontrada), o funcionamento é como "limpaHTML".
	 * @param html HTML que terá as tags retiradas.
	 * @return texto sem tags HTML.
	 */
	public static String limpaBodyHTML(String html) {
		
		// verifica se alguma coisa foi passada
		if (Conversor.seNulo(html)) {
			return "";
		}
		
		// procura o corpo do html
		int p = html.toUpperCase().indexOf("<BODY>");
		
		// se achou, limpa a partir do corpo
		return limpaHTML(p >= 0 ? html.substring(p) : html);
	}

Debugger Membro desde: 01/02/2008 15:46:33 Mensagens: 62 Offline

legal cara!!
funcionou para um dado contexto do meu código...

Mas no meu texto aparece uns caracteres muito estranhos, como :
& aacute
& acirc;
& agrave;
& atilde;
& ccedil;
& eacute;
& ecirc;
& iacute;
& oacute;
& ocirc;
& otilde;
& uacute;
& uuml;

obs: coloquei um espaço entre "&" "uuml" senão o navegador converte para o acento correto... (fiz com todos)

eu tava vendo uma tabela na url :http://www.icmc.usp.br/ensino/material/html/especiais.html
que identifica cada um desses caracteres especiais...

seu código funcionou para tirar as tags classicas do html

valeu!
agora to tentando olhar internamente do JEditorPane para entender como ele consegue converter tudo relacionado a html em texto "normal"

mas ta sinistro... se souber de outra solução eu agradeço

ate mais!

GUJ Master Membro desde: 17/09/2008 12:58:32 Mensagens: 1133 Offline

Se você estiver recebendo um XML, só precisa ler o mesmo. Recomendo para leitura o http://sourceforge.net/projects/jcoltrane/
Espero ter ajudado

GUJ Master Membro desde: 17/09/2008 12:58:32 Mensagens: 1133 Offline

Agora que vi que você só quer o campo notícia. Pelo que entendi, seria somente o corpo desse elemento. Se for isso, usa o JColtrane com essa classe:

Depois só colocar essa classe no construtor do JColtraneXMLHander e mandar parsear usando o parser do SAX (API padrão já presente na biblioteca do sistema).

Notícias, artigos e o maior fórum brasileiro sobre Java