去掉html源代码里标签之间的空格和换行(顶者有分)

無名小伙 2010-12-28 05:38:01

问题：
给定一网页源代码 String htmlcode;htmlcode是从文件读入。
最好能通过正则表达式来完成。
要求：
去掉标签间的空格也换行

例：
文件t.html的内容如下：
<html>
<head>
<title></title>
</head>
<body> <table></table>
</body>
</html>
经过空格和换行过滤后得到的应该是只有一行，如下:
<html><head><title></title></head><body><table></table></body></html>

//注意，<body>与<table>之间的空格也应该去掉。

请各帮解决，帮顶的给分

...全文

2893 38 打赏收藏转发到动态举报

写回复

用AI写文章

38 条回复

切换为时间正序

请发表友善的回复…

发表回复

Smile华明 2011-09-01

打赏
举报

package org;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class test2{
public static void main(String[] args){
String content = "<html> " + "\n" +
"<head> " + "\n" +
"<title></title> " + "\n" +
"</head> " + "\n" +
"<body onload='method();'> <table></table> " + "\n" +
"</body> " + "\n" +
"</html>";

String result = lostGaps(content);
System.out.println(result);
}

public static String lostGaps(String content){
String regex = "(.+?>)\\s+\n?(<(.|\n)*)";
Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(content);
//System.out.println(matcher.find());
while(matcher.find()){
//System.out.println("get here");
content = matcher.group(1) + matcher.group(2);
matcher = pattern.matcher(content);
}
return content;
}
}

langele1 2011-04-06

打赏
举报

专门注册一个来说一句 LZSB

UFOU 2011-01-07

打赏
举报

String regex = "\\s*|(\r\n)";
System.out.println(str.replaceAll(regex, ""));

無名小伙 2011-01-07

打赏
举报

顶了就有分的，如果有一些工具就好了~~

lzh0509 2011-01-06

打赏
举报

是的哦！！

無名小伙 2011-01-05

打赏
举报

源代码头的：<!doctype html>
和源代码最后的：

这类似的能够去掉就更好了。
Style的去掉了:str.replaceAll("(?s)\\<style.*?\\</style\\>","")

無名小伙 2011-01-05

打赏
举报

[Quote=引用 27 楼 goldenfish1919 的回复:]

引用 24 楼 ayuer_cn 的回复:
请问，能把页面的script脚本去掉吗？

试试：str.replaceAll("(?s)\\<script.*?\\</script\\>","");
[/Quote]
谢谢兄弟。。。但还有一个问题
我过滤百度的时候，有些样式脚本没有去掉。



<!doctype html><html><head><meta http-equiv="Content-Type" content="text/html;charset=gb2312"><title>百度一下，你就知道      </title><style>body{font:12px arial;text-align:center;background:#fff}body,p,form,ul{margin:0;padding:0}body,form,#fm,#lg img{position:relative}td{text-align:left}img{border:0}a{color:#00c}a:active{color:#f60}#u{padding:7px 10px 3px 0;text-align:right}#m{width:650px;margin:0 auto}#nv{font-size:16px;margin:0 0 4px -51px}#nv a,#nv b,#su,#lk{font-size:14px}#lg{margin:-17px 0 9px}#fm{padding-left:100px;text-align:left}#kw{width:391px;padding:3px 1px;margin:0 6px 0 0;font:16px/16px arial}#su{width:78px;height:28px;line-height:24px}#kw,#su{vertical-align:middle}#lk{margin:33px 0}#lk span{font:14px "宋体"}#lm{height:60px}#lh{margin:16px 0 5px;font:12px "宋体"}#lh a{font:12px arial}#mCon{position:absolute;right:7px;*top:9px;top:5px;cursor:pointer;padding:0 18px 0 0;background:url(http://www.baidu.com/img/arr.gif) no-repeat right center}#mCon span{color:#00c;cursor:default;display:block;padding-top:3px}#mCon .hw{text-decoration:underline;cursor:pointer}#mMenu{width:56px;border:1px solid #9a99ff;list-style:none;position:absolute;right:7px;top:28px;display:none;background:#fff}#mMenu a{width:100%;height:100%;display:block;line-height:22px;text-indent:6px;text-decoration:none}#mMenu a:hover{background:#d9e1f6}#mMenu .ln{height:1px;background:#ccf;overflow:hidden;margin:2px;font-size:1px;line-height:1px}#cp,#cp a{color:#77c}</style></head><body><p id="u"><a href="/gaoji/preferences.html">搜索设置</a> | <a href="http://passport.baidu.com/?login&tpl=mn">登录</a></p><div id="m"><p id="lg"><img src="http://www.baidu.com/img/baidu_logo.gif" width="270" height="129" usemap="#mp"></p><p id="nv"><a href="http://news.baidu.com">新 闻</a>　<b>网 页</b>　<a href="http://tieba.baidu.com">贴 吧</a>　<a href="http://zhidao.baidu.com">知 道</a>　<a href="http://mp3.baidu.com">MP3</a>　<a href="http://image.baidu.com">图 片</a>　<a href="http://video.baidu.com">视 频</a>　<a href="http://map.baidu.com">地 图</a></p><div id="fm"><form name="f" action="s"><input type="text" name="wd" id="kw" maxlength="100"><input type="submit" value="百度一下" id="su"></form><div id="mCon"><span>输入法</span></div><ul id="mMenu"><li><a href="#" name="ime_hw">手写</a></li><li><a href="#" name="ime_py">拼音</a></li><li class="ln"></li><li><a href="#" name="ime_cl">关闭</a></li></ul></div><p id="lk"><a href="http://hi.baidu.com">空间</a>　<a href="http://baike.baidu.com">百科</a>　<a href="http://www.hao123.com">hao123</a><span> | <a href="/more/">更多>></a></span></p><p id="lm"></p><p><a id="st" onClick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://www.baidu.com')" href="http://utility.baidu.com/traf/click.php?id=215&url=http://www.baidu.com">把百度设为主页</a></p><p id="lh"><a href="http://e.baidu.com/?refer=888">加入百度推广</a> | <a href="http://top.baidu.com">搜索风云榜</a> | <a href="http://home.baidu.com">关于百度</a> | <a href="http://ir.baidu.com">About Baidu</a></p><p id="cp">©2011 Baidu <a href="/duty/">使用百度前必读</a><a href="http://www.miibeian.gov.cn" target="_blank">京ICP证030173号</a><img src="http://gimg.baidu.com/img/gs.gif"></p></div><map name="mp"><area shape="rect" coords="43,22,227,91" href="http://hi.baidu.com/baidu/" target="_blank" title="点此进入 百度的空间"></map></body></html><!--d6896c28c03e0c49-->

如果能够把下面这类似的代码去掉的话，更好。
<style>body{font:12px arial;text-align:center;background:#fff}body,p,form,ul{margin:0;padding:0}body,form,#fm,#lg img{position:relative}td{text-align:left}img{border:0}a{color:#00c}a:active{color:#f60}#u{padding:7px 10px 3px 0;text-align:right}#m{width:650px;margin:0 auto}#nv{font-size:16px;margin:0 0 4px -51px}#nv a,#nv b,#su,#lk{font-size:14px}#lg{margin:-17px 0 9px}#fm{padding-left:100px;text-align:left}#kw{width:391px;padding:3px 1px;margin:0 6px 0 0;font:16px/16px arial}#su{width:78px;height:28px;line-height:24px}#kw,#su{vertical-align:middle}#lk{margin:33px 0}#lk span{font:14px "宋体"}#lm{height:60px}#lh{margin:16px 0 5px;font:12px "宋体"}#lh a{font:12px arial}#mCon{position:absolute;right:7px;*top:9px;top:5px;cursor:pointer;padding:0 18px 0 0;background:url(http://www.baidu.com/img/arr.gif) no-repeat right center}#mCon span{color:#00c;cursor:default;display:block;padding-top:3px}#mCon .hw{text-decoration:underline;cursor:pointer}#mMenu{width:56px;border:1px solid #9a99ff;list-style:none;position:absolute;right:7px;top:28px;display:none;background:#fff}#mMenu a{width:100%;height:100%;display:block;line-height:22px;text-indent:6px;text-decoration:none}#mMenu a:hover{background:#d9e1f6}#mMenu .ln{height:1px;background:#ccf;overflow:hidden;margin:2px;font-size:1px;line-height:1px}#cp,#cp a{color:#77c}</style>
PS，大家元旦快乐哈~~

無名小伙 2010-12-29

打赏
举报

[Quote=引用 23 楼 goldenfish1919 的回复:]

Java code

str = str.replaceAll("(?<=\\>)(?:\\s*\r?\n?)(?=\\<)","");
[/Quote]
谢谢～～～
可行。
请问，能把页面的script脚本去掉吗？

若鱼1919 2010-12-29

打赏
举报



str = str.replaceAll("(?<=\\>)(?:\\s*\r?\n?)(?=\\<)","");

i李小武 2010-12-29

打赏
举报

[Quote=引用 3 楼 viszl 的回复:]

String regex = "\\s*|(\r\n)";
System.out.println(str.replaceAll(regex, ""));
[/Quote]
貌似这个不行

若鱼1919 2010-12-29

打赏
举报

[Quote=引用 24 楼 ayuer_cn 的回复:]
请问，能把页面的script脚本去掉吗？
[/Quote]
试试：str.replaceAll("(?s)\\<script.*?\\</script\\>","");

jingchunlong 2010-12-29

打赏
举报

能不用正则表达式/不用JAVA不?!
上C 词法分析

無名小伙 2010-12-28

打赏
举报



import java.util.regex.Matcher;

import java.util.regex.Pattern;

import java.io.BufferedReader;

import java.io.InputStreamReader;

import java.net.*;



public class Test {  

    public static void main(String[] args) throws Exception{

 

    	StringBuffer document = new StringBuffer();  

    	try  

    	{  

    		URL url = new URL("http://www.csdn.net");  

    		URLConnection conn = url.openConnection();  

    		BufferedReader reader = new BufferedReader(new InputStreamReader(conn.getInputStream()));  

    		String line = null;  

    		while ((line = reader.readLine()) != null)  

    		document = document.append(line + "\r\n");  

    		reader.close();  

    	}    	 

    	catch (Exception e)  

    	{  

    		e.printStackTrace();  

    	}  

    	System.out.println(document.toString());

    	System.out.println(lostGaps(document.toString()));  

    	   

    }

    public static String lostGaps(String content){

        String regex = "(.+?>)\\s+\n?(<(.|\n)*)";

        Pattern pattern = Pattern.compile(regex);

        Matcher matcher = pattern.matcher(content);

        //System.out.println(matcher.find());

        while(matcher.find()){

            //System.out.println("get here");

            content = matcher.group(1) + matcher.group(2);

            matcher = pattern.matcher(content);

        }

        return content;

    }   

}

更疑惑的是document.append(line + "\r\n"); 用\r\n代替" "之后
运行没有错，但结果是：
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"><html xmlns="http://www.w3.org/1999/xhtml" lang="zh-CN">

其它的内容都没有了

無名小伙 2010-12-28

打赏
举报

[Quote=引用 20 楼 micsolaris 的回复:]

1.你说用CSDN的源文件来测试对这个我表示怀疑。里面那么多的引号什么的估计谁也不会去慢慢加斜杠。
2.你的需求到底是什么，如果说是突发奇想觉得好玩的话那么请你自己写代码测试下。
3.如果你是真的想处理问题的话请帖你的源代码出来
[/Quote]
下面是源代码，谢谢



import java.util.regex.Matcher;

import java.util.regex.Pattern;

import java.io.BufferedReader;

import java.io.InputStreamReader;

import java.net.*;



public class TestParser {  

    public static void main(String[] args) throws Exception{

 

    	StringBuffer document = new StringBuffer();  

    	try  

    	{  

    	URL url = new URL("http://www.csdn.net");  

    	URLConnection conn = url.openConnection();  

    	BufferedReader reader = new BufferedReader(new InputStreamReader(conn.getInputStream()));  

    	String line = null;  

    	while ((line = reader.readLine()) != null)  

    	document.append(line + " ");  

    	reader.close();  

    	}    	 

    	catch (Exception e)  

    	{  

    	e.printStackTrace();  

    	}  

    	System.out.println(lostGaps(document.toString()));  

    	   

    }

    public static String lostGaps(String content){

        String regex = "(.+?>)\\s+\n?(<(.|\n)*)";

        Pattern pattern = Pattern.compile(regex);

        Matcher matcher = pattern.matcher(content);

        //System.out.println(matcher.find());

        while(matcher.find()){

            //System.out.println("get here");

            content = matcher.group(1) + matcher.group(2);

            matcher = pattern.matcher(content);

        }

        return content;

    }   

}

micsolaris 2010-12-28

打赏
举报

1.你说用CSDN的源文件来测试对这个我表示怀疑。里面那么多的引号什么的估计谁也不会去慢慢加斜杠。
2.你的需求到底是什么，如果说是突发奇想觉得好玩的话那么请你自己写代码测试下。
3.如果你是真的想处理问题的话请帖你的源代码出来

無名小伙 2010-12-28

打赏
举报

[Quote=引用 18 楼 micsolaris 的回复:]

那你应该把你需要处理的内容贴出来啊，正则本来就有一些针对行和特殊性。
[/Quote]
就是读取网页源代码后，将这个源代码拿来处理就发现溢出。
有没有更好的解决方法

micsolaris 2010-12-28

打赏
举报

那你应该把你需要处理的内容贴出来啊，正则本来就有一些针对行和特殊性。

無名小伙 2010-12-28

打赏
举报

[Quote=引用 16 楼 micsolaris 的回复:]

都说了，直接复制我的所有代码。根本就没问题，除非你那边的编译器出现问题
[/Quote]
运行了你的代码，没有问题。
但要是读取复杂一点的网页源代码，问题就出来了

micsolaris 2010-12-28

打赏
举报

都说了，直接复制我的所有代码。根本就没问题，除非你那边的编译器出现问题

無名小伙 2010-12-28

打赏
举报

[Quote=引用 13 楼 micsolaris 的回复:]

请完整复制一下代码重新测试，一定是你自己对代码做过修改，造成了无限循环
Java code

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Test{
public static void main(String[] args){
String content……
[/Quote]
你的源代码没有问题，但通过流读取csdn的源代码进行处理的时候就出问题了