使用Java解析HTML文件

Question

如何使用Java从HTML文件中删除注释和注释内容，其中注释的格式如下：

<!--

需要任何关于这方面的想法或帮助。

- kartik

---

这个问题应该命名为“如何使用Java从HTML中删除注释”。 - Sergio del Amo

Answer 1

看看JTidy，这是HTML Tidy的Java移植版。您可以重写PPrint对象的打印方法以忽略注释标记。

- Kees de Kooter

Answer 2

如果您没有有效的xhtml，如一条评论提醒我的那样，您应该首先应用jtidy来整理html并使其成为有效的xhtml。

请参见this，了解jtidy的示例代码。

然后我会将html转换为DOM实例。

像这样：

final DocumentBuilderFactory newFactory = DocumentBuilderFactory.newInstance();
final DocumentBuilder documentBuilder = newFactory.newDocumentBuilder();
Document document = documentBuilder.parse( new InputSource( new StringReader( string ) ) );

然后我会浏览整个文档树，并根据需要修改节点。

- dhiller

---

大多数HTML仍然不是XHTML，因此JTidy可能应该是首选而不是事后的想法。 - Joachim Sauer

Answer 3

尝试一个简单的正则表达式，例如

String commentless = pageString.replaceAll("<!--[\w\W]*?-->", "");

编辑：解释正则表达式：

• <!-- 匹配字面意义的注释开始
• [\w\W] 匹配注释内的每个字符（包括换行符）
• *? 匹配多个“任意字符”，但匹配最少的字符（非贪婪模式）
• --> 关闭注释

- cobbal

---

一个简单的正则表达式应该可以搞定 - 但是这个却不行...注释有时候不会在同一行打开和关闭。我刚在谷歌上找到了这个链接，看起来更好: http://ostermiller.org/findhtmlcomment.html - Simon Groenewolt

如果您尝试这样做，它会起作用。 \w\W 捕获所有内容，包括换行符，而不像 '.'。 - cobbal

不太确定为什么这个被踩了。无论这个特定的正则表达式是否有效，正则表达式确实是解决这个问题的正确方式。 - user29053

不，它不是。这也会从以下内容中删除“注释”：<input type="text" value="<!-- Hello world -->">，这是不正确的。<!-- 并不总是开始注释。 - Peter Štibraný

好观点。在字符串中使用<是否合法？我相当确定>会导致大多数浏览器出错。 - cobbal