使用 jsoup 解析时摆脱 html 属性及其值答案

【问题标题】：Getting rid of html attributes and its values while parsing using jsoup使用 jsoup 解析时摆脱 html 属性及其值
【发布时间】：2019-09-18 08:04:32
【问题描述】：

我试图以这样一种方式解析多个 html 文档，即我只得到丢弃其所有属性和值的标签。谁能帮帮我。

例如：<img src="pic_trulli.jpg" alt="Italian Trulli">

更改为

<img>

同样，我希望它适用于 HTML 文档中的所有标签。

【问题讨论】：

标签： java html jsoup

【解决方案1】：

如果您的目标是获得清晰的文档结构，您还需要删除文本和数据节点。考虑以下 sn-p。

Document document = Jsoup.connect("http://example.com").get();
document.getAllElements().forEach(element -> {
      element.attributes().asList().forEach(attr -> element.removeAttr(attr.getKey()));
      element.textNodes().forEach(Node::remove);
      element.dataNodes().forEach(Node::remove);
    });
System.out.println(document);

输出：

<!doctype html>
<html>
 <head>
  <title></title>
  <meta>
  <meta>
  <meta>
  <style></style>
 </head>
 <body>
  <div>
   <h1></h1>
   <p></p>
   <p><a></a></p>
  </div>
 </body>
</html>

【讨论】：

【解决方案2】：

要删除单个元素的属性，您可以使用：

element.attributes().asList()
        .stream().map(Attribute::getKey)
        .forEach(element::removeAttr);

要删除所有元素的属性，您可以将其与document.getAllElements() 结合使用：

Document document = Jsoup.parse("<img src=\"pic_trulli.jpg\" alt=\"Italian Trulli\">");
document.getAllElements()
        .forEach(e -> e.attributes().asList()
                .stream().map(Attribute::getKey)
                .forEach(e::removeAttr));

结果会是这样的：

<html>
 <head></head>
 <body>
  <img>
 </body>
</html>

【讨论】：

【解决方案3】：

您可以遍历文档中的所有元素，然后遍历每个元素的属性，这应该允许您删除它们。

演示：

String html = "<img src=\"pic_trulli.jpg\" alt=\"Italian Trulli\">" +
        "<div class=\"foo\"><a href=\"pic_trulli.jpg\" alt=\"Italian Trulli\" non-standard></div>";
Document doc = Jsoup.parse(html);

System.out.println(doc);
for (Element el : doc.getAllElements()){
    for (Attribute atr : el.attributes().asList()){
        el.removeAttr(atr.getKey());
    }
}
System.out.println("-----");
System.out.println(doc);

输出：

<html>
 <head></head>
 <body>
  <img src="pic_trulli.jpg" alt="Italian Trulli">
  <div class="foo">
   <a href="pic_trulli.jpg" alt="Italian Trulli" non-standard></a>
  </div>
 </body>
</html>
-----
<html>
 <head></head>
 <body>
  <img>
  <div>
   <a></a>
  </div>
 </body>
</html>

【讨论】：