如何使用 java 库“HTML Parser”删除所有 <style> 标签？答案

【问题标题】：How do I use the java library "HTML Parser" to remove all <style> tags?如何使用 java 库“HTML Parser”删除所有 <style> 标签？
【发布时间】：2011-12-21 15:43:33
【问题描述】：

我需要对 html 文件执行多项操作，例如删除特定标签或删除属性。我决定使用 HTML Parser，一个 java 库： http://htmlparser.sourceforge.net/

首先，我要删除所有样式标签。通过这样做，我设法获得了一个包含所有样式标签的 NodeList：

Parser parser = new Parser (url);
NodeList list = parser.parse (null);            
NodeList styles = list.extractAllNodesThatMatch (new TagNameFilter ("STYLE"), true);

现在我不知道如何从整个节点列表中删除此样式属性。我必须获取整个列表吗？

之后，我希望能够删除标签内的所有属性或仅删除 alt 属性。有没有自动完成的方法？

【问题讨论】：

如果你能保证你的 HTML 是 XML 有效的（如果需要通过 HTML Purifier 或类似的东西）你应该使用 XML 解析器，因为它们更强大（能够使用 XPath 将让你的许多任务变得微不足道）。
+1 表示写得很好的第一个问题。很少能够阅读和理解用户的第一个问题。干得好，祝 Stack Overflow 好运！

标签： java html parsing tags

【解决方案1】：

从文档中，Parser 返回包含所有 html 节点的树列表（将解析器视为 Node 的大树的根节点，该树的每个“级别”都是NodeList)。

您可以递归地遍历树，针对StyleTag 测试每个节点的类型，并在适用时将其从相应的NodeList 中删除。继续递归地下降到树中，直到访问它的所有节点。

NodeTreeWalker是你的朋友，可以帮助你进行递归树遍历。

jsoup 是另一个不错的选择，它具有更简单的界面（请参阅另一个question）。

【讨论】：

我停止尝试使用 HTMLParser，我已经切换到更简单的 JSoup，你说得对。谢谢！
很高兴为您提供帮助。如果您发现这是正确答案，请不要忘记将其标记为正确答案。 :-)