java - 如何在JAVA中去除除“src”和“alt”之外的HTML属性

Question

如何从字符串中的 HTML 标记中去除所有属性，使用 Java 的“alt”和“src”除外？

更进一步..如何从字符串中的所有“src”属性中获取内容？

:)

Answer 1

你可以：

• 实现一个SAX 解析器；
• 使用DOM 解析器构建一个文档，遍历并修剪它，然后转换回 HTML；或者
• 在 XSLT 中使用身份转换（假设您的 HTML 是 XHTML 格式或可以使用JTidy转换为该格式）以及一些其他情况来删除您不想要的属性。

无论你做什么，都不要尝试用正则表达式来做。

Answer 2

好的，以某种方式解决了这个问题。

使用 HTMLCleaner 库将输入数据解析为有效格式。

然后我使用 DOM 解析器遍历所有内容，并去除所有不允许的标签和属性。

（还有一些丑陋的小技巧；））

这是一项繁重的工作。