java - 在 Java 中解析带有兄弟标签的 HTML 内容（或）在两个标签之间查找内容标签

Question

背景：我正在编写一个 Java 程序来遍历 HTML 文件并替换标签中没有<script>或<style>使用 Lorem Ipsum 的所有内容。我最初使用正则表达式执行此操作，只是删除了 > 和通过尝试在 html 上使用正则表达式，不再是宇宙的神圣性。

我正在尝试使用 HtmlCleaner，这是一个吸引我的 Java 库，因为它没有其他依赖项。但是，尝试实现它我一直无法像这样处理 html：

<div>
    This text is in the div <span>but this is also in a span.</span>
</div>

问题很简单。当 TagNodeVisitor 到达 div 时，如果我用适量的lipsum 替换它的内容，它将消除span 标签。但是，如果我只深入到没有其他子节点的 TagNodes，我会错过第一段文本。

HtmlCleaner 有一个 ContentNode 对象，但该对象没有替换方法。我能想到的任何处理这个问题的方法似乎都太复杂了。是否有人熟悉使用 HtmlCleaner 或您更熟悉的其他解析库来处理此问题的方法？

Answer 1

HtmlCleaner 的 ContentNode 有一个getContent()方法，它返回一个java.lang.StringBuilder。这是可变的，可以更改为您想要的任何值。

Answer 2

您几乎可以使用JSoup 设置器做任何您想做的事情

那适合你吗？

 Element div = doc.select("div").first(); // <div></div>
 div.html("<p>lorem ipsum</p>"); // <div><p>lorem ipsum</p></div>