正则表达式替换 HTML 文档中的空格

Posted 2023-03-16

【中文标题】正则表达式替换 HTML 文档中的空格

【英文标题】：Regex replace whitespace in HTML document

【发布时间】：2012-10-15 13:37:09

【问题描述】：

我看到很多类似的问题，但仍然没有找到答案。 应该如何看待需要替换 html 中的所有空格（包括换行符）但忽略标签的正则表达式？

目前我使用Regex.Replace(content, @"\s+", "");，但会删除页面上存在的 javascript 中的空格，然后页面不起作用。

谢谢。

编辑：在回答一些问题后，这里有更多细节： 我正在做的是“缩小”我们网站上的 HTML 输出的 HTTP 模块。我们有一个网站，其中包含来自许多不同来源的非常动态的内容。最终目标是减小页面大小并减少网络流量。这是一个高负载的网站，所以完成它对我们很重要。

实际上我们正在使用 MbCompression 库进行 JS 和 CSS 缩小，但它不支持缩小 HTML 输出（至少我没有找到）。

【问题讨论】：

你问的是 JavaScript 还是 C#？

看看here，一个著名的SO问题

为什么不改为GZIP？

@jrummell 我们正在使用，但我们在压缩之前删除了空格，此外并不总是支持压缩。

在压缩之前删除多余的空白可以节省很少的钱。最好根本不生成它，但是当你继续使用 gzip 时将其删除，无论如何都不会为你节省任何可衡量的数量。

【参考方案1】：

如果你能找到一个不错的 HTML 解析器，我会通过 DOM 操作来实现。如果你不能，那么就像

Regex.Replace(content, "(?i)(<script(?:[^>\"']|\"[^\"]*\"]|'[^']*')*>)\s+</script\\s*>|<style(?:[^>\"']|\"[^\"]*\"]|'[^']*')*>)\s+</style\\s*>|<textarea(?:[^>\"']|\"[^\"]*\"]|'[^']*')*>)\s+</textarea\\s*>|</?[a-z](?:[^>\"']|\"[^\"]*\"]|'[^']*')*>|\\S+)|\\s+", "$1");

应该这样做。它不会删除标签内或嵌入的 JS、CSS 或文本区域内的空格，但会删除文本节点中的换行符。

【讨论】：

正如我现在所想的，我们也使用来自 AgilityPack 的 HtmlDocument。你知道它是否支持这样的选项吗？

@AlexDn, ***.com/questions/846994/how-to-use-html-agility-pack 建议htmlDoc.DocumentNode.SelectSingleNode("//body") 将获取正文，然后您可以遍历它以查找不在<script> 元素等内的所有文本节点，并省略白色-随心所欲的空间。

好的，谢谢，看来我将使用 HtmlDocument traverse 的解决方案。

【参考方案2】：

真的没有办法编写一个（合理的）正则表达式来做到这一点。如果您想支持 javascript 和 css，尤其如此。你需要一个真正的解析器。

【讨论】：

你能建议任何可以做到这一点的解析器吗？

htmlagilitypack.codeplex.com 也许？将 HTML 解析为 DOM 树，然后在 textnodes 上进行空白修剪。

【参考方案3】：

你的目标是什么？浏览器在渲染页面时会忽略很多空白，所以我猜你想清理你的源代码。如果是这样，请检查您使用的程序是否提供了一些解决方案。例如，Dreamweaver 有一个重新格式化源代码的工具。

Tidy 可能是一种选择，但它看起来不仅仅是一个简单的代码格式化工具。

【参考方案4】：

当然，您至少应该用空格替换它，而不仅仅是完全删除空格。对于应该没问题的 HTML，但是如果您正在谈论在 javascript 中使用多个空格不折叠的字符串，那么您需要考虑另一种方法，因为无论您是在脚本中还是在字符串中，正则表达式都不会轻易解决.

话虽如此，我不确定这样做的充分理由。如果您担心文件的大小，那么只需告诉您的服务器使用压缩，我怀疑现在每个浏览器都支持得足够好，并且页面基本上将由服务器压缩并在客户端解压缩。它对服务器的工作量更大，因此取决于您是否更关心带宽或 CPU。

【参考方案5】：

Regex.Replace(document.body.innerHTML, @"\s+", "");

使用document.body.innerHTML 可能会起作用。我不确定。

【讨论】：

我在 C#（服务器端）中需要它

【参考方案6】：

Regex.Replace(html, "\s*(<[^>]+>)\s*", "$1", RegexOptions.SingleLine);

存在与标签、未封闭标签等相关的风险。我希望您对您所说的“来自不同来源的动态内容”有所控制。我也希望你已经尝试了其他所有方法，这是最后的手段。