从 HTML 片段中删除空标签对

Posted 2023-02-24

【中文标题】从 HTML 片段中删除空标签对

【英文标题】：remove empty tag pairs from HTML fragment

【发布时间】：2012-02-01 10:04:31

【问题描述】：

我有一个用户提交的字符串，其中包含 html 内容，例如

"<p></p><div></div><p>Hello<br/>world</p><p></p>"

我想转换这个字符串，以便删除空标签对（但保留像 <br/> 这样的空标签）。例如，这个转换的结果应该将上面的字符串转换为

"<p>Hello<br/>world</p>"

我想使用 JSoup 来执行此操作，因为我的类路径中已经有了它，而且我最容易在服务器端执行此转换。

【参考方案1】：

下面是一个例子（使用 JSoup）：

String html = "<p></p><div></div><p>Hello<br/>world</p><p></p>";
Document doc = Jsoup.parse(html);

for (Element element : doc.select("*")) 
    if (!element.hasText() && element.isBlock()) 
        element.remove();
    


System.out.println(doc.body().html())

上面代码的输出就是你要找的：

<p>Hello<br />world</p>

【讨论】：

我测试过了，上面的代码打印出<p>Hello<br />world</p>

我注意到这段代码删除了 div ex 中的空 img： 所以我还检查了空大小：&& element.childNodes()。 size() == 0 ，我的更新正确吗？

我认为如果if 语句是这样的会更正确：if ((!element.hasText() && element.isBlock()) || (!element.hasText() && element.childNodes().isEmpty())) element.remove() 因为它还删除了空的非块元素，例如<span></span>

如何删除任何空标签？？

@Mark：您的方法的主要问题是自动关闭标签。您还将过滤<br>，应该保留！

【参考方案2】：

不太熟悉 jsoup，但您可以通过简单的正则表达式替换来做到这一点：

String html = "<p></p><div></div><p>Hello<br/>world</p><p></p>";
html = html.replaceAll("<([^>]*)></\\1>", "");

尽管使用完整的解析器，您可能只是在处理过程中丢弃空内容，这取决于您最终要使用它做什么。

【讨论】：

replaceAll("[a-zA-Z0-9]*>", "");可能看起来比允许 >

以外的任何内容更好

但是 ItalicBold 呢？这是不好的使用，但仍然合法。我认为您需要能够准确地重新匹配第一组尖括号中使用的内容。

@PragalathanM，我考虑过这一点，但标签也允许使用连字符、下划线等。一旦你开始添加所有这些字符，语句就会开始看起来很难看（你可能会错过一些）。

@FrankieTheKneeMan: ItalicBold 在 HTML 中是不合法的。

此解决方案仅适用于<p></p>，不适用于等效的<p/> 或<p> </p>。

【参考方案3】：

Jsoup 将从用户输入的 HTML 中生成正确的 XML。使用 XML 解析器查找并删除所有空标签。我认为这比正则表达式更好。看这里：Java Remove empty XML tags 您还可以使用 JSoup 为您查找空标签。看这里：http://jsoup.org/cookbook/extracting-data/selector-syntax 并使用 Node.remove() 方法。

【参考方案4】：

如果你使用jquery，你可以这样做

var tags = "<p></p><div></div><p>Hello<br/>world</p><p></p>";

$("<div id='mydiv'>"+tags+"</div>").appendTo($('body'));
$('#mydiv').children().each(function()
    var elem = $(this);
    if(elem.html() === "") elem.remove();
);

小提琴：http://jsfiddle.net/LqCx5/2/

【讨论】：

更新了答案..请检查，我已经在我的机器上测试过它的工作正常。

这将删除所有空标签，包括

不，伙计..您应该恢复反对票...它没有删除..请检查小提琴jsfiddle.net/LqCx5/3 ...检查正文输出，你好和世界在不同的行。

【参考方案5】：

不知道 Jsoup，下面的代码也适用于简单的 javascript 正则表达式。 试试下面的代码。

function removeall()
var tagarray=new Array("<p>","<div>");
source="<p></p><div></div><p>Hello<br/>world</p><p></p>";
for ( var int = 0; int < tagarray.length; int++) 
tag2=tagarray[int].replace("<","</");
var tagpair=new RegExp(tagarray[int]+tag2,"g");
source=source.replace(tagpair,"");
    
alert(source);

【讨论】：

这是 Java 问题，因此 JavaScript 代码不是有效答案。