Parsing un fichier HTML en utilisant Java

Question

Comment supprimer les commentaires et le contenu des commentaires d'un fichier HTML en utilisant Java où les commentaires sont écrits comme:

<!-- 

Toute idée ou l'aide nécessaire à ce sujet.

Answer 1

Jetez un oeil à JTidy, le port Java de HTML Tidy. Vous pouvez remplacer les méthodes d'impression de l'objet PPrint pour ignorer les balises de commentaire.

Answer 2

Si vous n'avez pas de xhtml valide, dont un commentaire m'a rappelé, vous devez d'abord appliquer jtidy pour ranger le html et le rendre valide xhtml.

Voir this par exemple le code sur jtidy.

Ensuite, je convertirais le HTML en une instance DOM.

comme ceci:

final DocumentBuilderFactory newFactory = DocumentBuilderFactory.newInstance(); 
final DocumentBuilder documentBuilder = newFactory.newDocumentBuilder(); 
Document document = documentBuilder.parse(new InputSource(new StringReader(string))); 

Ensuite, je naviguer dans l'arborescence des documents et modifier les nœuds selon les besoins.

Answer 3

essayer simple regex comme

String commentless = pageString.replaceAll("<!--[\w\W]*?-->", ""); 

modifier: expliquer l'expression rationnelle:

• <!-- correspond au commentaire littéral commencer
• [\w\W] matchs tous les personnages (même des sauts de ligne) qui sera à l'intérieur le commentaire
• *? correspond au multiple de 'n'importe quel caractère' mais correspond à la petite st quantité possible (pas gourmand)
• --> ferme le commentaire