如何去除HTML中无关紧要的空格

Question

3

我需要比较不同版本的HTML页面格式和文本更改。不幸的是，制作这些页面的人/公司使用某种HTML编辑器每次都重新包装HTML（并添加了大量空格），这使得难以对它们进行差异化处理。因此，我正在寻找一种工具（最好是Java库），可以以删除所有无关空格和换行符的方式重新格式化我的HTML。

也就是说，在

<h1>First Headline</h1> <h2>Second headline</h2>

和

之间的空格应该被删除，但在

<b>formatted</b> <i>text</i>

空格可能不能被移除。我不关心<pre>、<textarea>或<script>块，也不关心可以改变行为的CSS空格属性——我只是在寻找一个解决方案，它会剥离大部分不必要的空格（最好留下过多的空格而不是过少的）。

（我已经折叠了多个空格，并在标签之前重新添加换行符而不是空格，以使文本更易读——但仍有太多情况下，例如标题或表格单元格/行之间的新换行符会破坏我的简单“解决方案”。）

- mihi

它是否符合DOM标准的干净HTML？如果是，你就有更多的选择。 - bmargulies

它远非符合标准。不知道使用了哪种所见即所得的工具来创建和编辑这些文件，但 HTML 代码非常糟糕（有多个 head/body 标签、很多缺少的 </tr> 和 </td> 等等）。 - mihi

不要忘记像<b>th</b><i></i><b>is</b>这样的东西。 - mihi

2个回答

1

如果此内容仅供内部使用，请考虑使用 XHTML 转换器，然后规范化 XML。这样比较结果就会变得更加容易。

- Thorbjørn Ravn Andersen

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Brian Agnew · Accepted Answer

JTidy可能对您有用。它是一个HTML解析器，可以解析HTML（并且可以容忍格式不正确的HTML），将HTML呈现为DOM，并且您可以覆盖写出此内容以删除您不感兴趣的任何内容。