使用HTML解析器（org.htmlparser）提取并清理HTML片段

Question

我正在寻找一种从网页中提取HTML片段并对该HTML片段执行一些特定操作的有效方法。

所需的操作是：

1. 删除所有具有“隐藏”类别的标签
2. 删除所有脚本标签
3. 删除所有样式标签
4. 删除所有事件属性（在 =“ ”上）
5. 删除所有样式属性

我一直在使用HTML
Parser
（org.htmlparser）来完成此任务，并且能够满足所有要求，但是，我不觉得自己有一个优雅的解决方案。当前，我正在使用CssSelectorNodeFilter解析网页（以获取片段），然后使用NodeVisitor重新解析该片段以执行清理操作。

有人可以建议他们如何解决这个问题吗？我宁愿只解析一次文档并在一次解析期间执行所有操作。

提前致谢！

Answer 1

查看jsoup-它应该以优雅的方式处理所有必要的任务。

[编辑]

以下是您所需操作的完整示例：

// Load and parse the document fragment.
File f = new File("myfile.html"); // See also Jsoup#parseBodyFragment(s)
Document doc = Jsoup.parse(f, "UTF-8", "http://example.com");

// Remove all script and style elements and those of class "hidden".
doc.select("script, style, .hidden").remove();

// Remove all style and event-handler attributes from all elements.
Elements all = doc.select("*");
for (Element el : all) { 
  for (Attribute attr : el.attributes()) { 
    String attrKey = attr.getKey();
    if (attrKey.equals("style") || attrKey.startsWith("on")) { 
      el.removeAttr(attrKey);
    } 
  }
}
// See also - doc.select("*").removeAttr("style");

您将要确保属性名称等大小写无关紧要，但这应该是您所需要的大部分。