html 페이지의 구조를 분석하고 싶습니다. 페이지의 경우 문자열로 사용하고 텍스트를 제거하고 html 구조 만 유지하려고합니다. DOM 파서를 사용하고 싶지 않고, xhtml뿐만 아니라 일반 html에서도 작동하는 강력한 기능이 필요합니다. 나는 정규 표현식이 html 태그를 스트링에서 제거하는 데 충분하지만 텍스트를 제거하고 html 태그 만 유지할 수 있는지 알고있다.자바에서 텍스트와 HTML 문자열을 제거하는 방법
사용할 수있는 다른 옵션/프레임 워크를 알고 계십니까?
사용할 수있는 다른 옵션/프레임 워크를 알고 계십니까?
JSoup을 볼 수 있습니다. 이런 유형의 문제를 정확하게 해결할 수 있도록 설계되었습니다.
나는 정규식을 사용하여 이것을 쉽게 할 수있는 방법이 없다고 생각한다.
Jericho은 별도의 외부 라이브러리가 없어도 작은 풋 프린트와 단일 병이있는 매우 정교한 HTML 파서입니다.
나는 전에 Jericho를 사용 해왔고 구체적인 작업을 시도했지만 html 구조가 변경된 것은 아닙니다. 예를 들어 html 태그 텍스트에 액세스하려면 특수 TextExtractor 클래스가 필요합니다. 내부 html을 변경하는 메소드가 없기 때문에 각 노드의 텍스트를 제거하는 것이 어려워 보입니다. 제 목적을 위해 잘 갖추어 진 JSoup에 시도해보아야합니다. – adiian
이전에 태그를 제거했다면 기본 목표는 <과> 사이의 모든 항목을 제거하는 것입니다. >와 < 사이의 모든 것을 제거하는 것을 제외하면 텍스트를 제거하는 것은 매우 유사합니다. 그래서 예, 정규식은 텍스트를 제거하고 태그 만 남기는 데있어 매우 도움이됩니다. 또한 태그 속성을 처리하지 않으려는 경우 태그 속성을 제거하는 데 사용할 수도 있습니다.
괜찮은 시작을 줄 수 있습니다. 나는 HTML에 많은 경험이 없기 때문에 < 태그들 외에 문자열을 파싱 할 것이 있는지는 모르겠다. 의 라인을 따라
public static void main(String[] args){
String html = "<body> text text text text </body>";
String htmlTags = null;
char c;
for(int i = 0 ; i < html.length() ; i++){
c = html.charAt(i);
if(tagStart(Character.toString(c))){
for(int j = i ; j < html.length() ; j++){
if(htmlTags != null){
htmlTags += Character.toString(html.charAt(j));
}else{
htmlTags = Character.toString(html.charAt(j));
}
c = html.charAt(j);
if(tagStop(Character.toString(c))){
break;
}
}
}
}
}
private static boolean tagStart(String check){
if(check.equals("<")){
return true;
}else{
return false;
}
}
private static boolean tagStop(String check){
if(check.equals(">")){
return true;
}else{
return false;
}
}
다른 좋은 방법이 없다면 좋은 시작입니다. 내가 DOM이나 다른 파서/라이브러리를 시도 할 수있는 몇 가지가있다. 직접 파싱하기 전에는 정규 표현식을 사용하기도한다. 먼저 특정 태그에 포함 된 "텍스트"를
뭔가 :
pageSource.replaceAll(">.*<", "><");
당신이 시작할 수 있습니다.
DOM 파서를 확실히 수행 할 것입니다 ... –
이유는 내가 DOM 파싱을 피하고 싶었 기 때문에 그 결과 HTML을 DOM이 아닌 문자열로 사용하고 싶었 기 때문입니다. 그러나 DOM 파서를 사용하여 텍스트를 제거한 다음 문자열로 가져올 수 있습니다. 그것도 작동합니다, 나는 단지 내가 가지고있는 다른 옵션이 무엇인지 알고 싶습니다. – adiian