Metode der fjerner alle html tags

Jeg har lidt svært ved lige at se hvordan man kunne regex'e dette problem.

Så mit første forslag er the good oldfashioned way:

public class Strip {
    public static String strip(String s) {
        StringBuffer sb = new StringBuffer("");
        boolean intag = false;
        for(int i = 0; i < s.length(); i++) {
            char c = s.charAt(i);
            switch(c) {
                case '<':
                    intag = true;
                    break;
                case '>':
                    intag = false;
                    break;
                default:
                    if(!intag) {
                        sb.append(c);
                    }
                    break;
            }
        }
        return sb.toString();
    }
    public static void main(String[] args) {
        String s = "<td> <nobr> <a href=\"onsdag.html\"> Gå til </a> Onsdag </nobr> </td>";
        System.out.println(s);
        System.out.println(strip(s));
    }
}

Det ser fint ud. Jeg har udvidet swichen en lille smule, så den også fjerner tabs og linieskift.

public static String strip(String s) {
    StringBuffer sb = new StringBuffer("");
    boolean intag = false;
    for(int i = 0; i < s.length(); i++) {
        char c = s.charAt(i);
        switch(c) {
            case '<':
                intag = true;   
                break;
            case '>':
                intag = false;
                break;
            case '\t':
                break;
            case '\n':
                break;
            case '\r':
                break;
            default:
                if(!intag) {
                    sb.append(c);
                }
                break;
        }
    }
    return sb.toString();
}

Jeg er dog i tvivl om hvilke tegn jeg skal tage med for linieskift, om der er flere. Og da jeg gik i gang med at eksperimentere med det, så fandt jeg f.eks. ud af at hvis man udskifter

case '\r'  ---->  case '_'

så bliver strengen totalt mærkelig. Den overskriver nærmest sig selv, sådan at det ligner at tilfældige stumper af den ønskede tekst bliver sat sammen. Det er ikke fordi jeg har brug for at fjerne alle "_", men jeg fatter bare ikke hvad der sker.

Hvis du har en forklaring vil jeg da gerne høre den, men ellers kan du bare smide et svar.

Linieskift er normalt \r\n men kan også være kun \n

Men ikke noget midt imellem (jeg er ikek engang sikker på at de genkendes som valide
escape sekvenser.

svar