在 JAVA 中删除 HTML 中的多余空间

Question

需要执行一些 HTML 清理。

拥有包含大量冗余 br 标记的 HTML，到目前为止尝试 HtmlCleaner 和 jTidy 没有任何结果。

例子：

<br>
<br>
<br>
<br>
...

我只想得到一个 <br> 回来

还有其他方法可以在不逐行手动解析的情况下完成此操作吗？

Answer 1

如果您只是想删除多余的<br/> 标签，那么我建议使用简单的解析状态机使用Jericho 进行解析，因为 Jericho 非常擅长保存数据。

状态机将简单地保留看到的最后一个标签，如果看到的最后一个标签是<br/> 标签，而下一个标签是<br/> 标签，您只需忽略它。这是一个非常简单的练习，我建议您尝试一下。我不推荐手动文本解析（即不使用 HTML 解析器），因为它很容易出错。

我还想提醒您，尽管人们可能会使用<br/> 标签，但它是一个明确的内容标签。所以删除标签就是改变内容。也许您可以从更结构化的来源（如 XML 提要、REST API 或数据库等）获取内容，而不是抓取一些 HTML。