使用 Jsoup 删除父标签而不删除子标签
Deleting parent tags without deleting children with Jsoup
重制示例代码:
<div class="mrd3w m6et0 _2d49e_1O4vF">
<div class="p1td4 pw4go p513t al2kje m10qy mij5n">
<div class="_2d49e_2tor6" style="max-width:871px;max-height:552px">
<div class="ptv8j2" style="padding-top:calc(100% * 552 / 871)">
<img alt="alt" class="_2d49e_3B1Cq pt94f9 pt1itw ptux49 w1eai _2d49e_32cUf lazyloaded" sizes="(min-width: 1200px) 560px, (min-width: 992px) 50vw, 100vw" src="https://somelink.com 871w" width="871px">
</div>
</div>
</div>
</div>
我已经从这个 html 中删除了一些无用的链接和导入,这是我的最后一个问题。 类 个 div 是随机的,而且有很多。
我需要像这样简单干净的代码:
<div>
<img alt="alt" src="https://somelink.com">
</div>
我正在从数据库中创建 xml 文件,每个产品的描述都是一团糟,需要尽可能干净。整个描述在数据库中作为所有这些混乱的输入端口和标签的值。我正在使用 Jsoup 重新制作此描述,但不知道如何在不删除子项的情况下删除父项。
这需要两个步骤:
- 要清除不需要的标签和属性,请使用
Whitelist
和 Jsoup.clean(html, whitelist)
- 要删除父项,您可以使用
element.unwrap()
。要删除重复的父项,我们可以使用循环向上移动,如果它们相同则将其删除。
这是执行此操作的代码:
public class JsoupIssue61137870 {
public static void main(final String[] args) throws IOException {
String html = " <div class=\"mrd3w m6et0 _2d49e_1O4vF\"> \n"
+ " <div class=\"p1td4 pw4go p513t al2kje m10qy mij5n\"> \n"
+ " <div class=\"_2d49e_2tor6\" style=\"max-width:871px;max-height:552px\"> \n"
+ " <div class=\"ptv8j2\" style=\"padding-top:calc(100% * 552 / 871)\">\n"
+ " <img alt=\"alt\" class=\"_2d49e_3B1Cq pt94f9 pt1itw ptux49 w1eai _2d49e_32cUf lazyloaded\" sizes=\"(min-width: 1200px) 560px, (min-width: 992px) 50vw, 100vw\" src=\"https://somelink.com 871w\" width=\"871px\">\n"
+ " </div> \n" + " </div> \n" + " </div> \n" + " </div> ";
Whitelist whitelist = Whitelist.none();
whitelist.addTags("div", "img");
whitelist.addAttributes("img", "src");
String cleanHTML = Jsoup.clean(html, whitelist);
System.out.println(cleanHTML);
String result = removeRepeatingTags(cleanHTML);
System.out.println(result);
}
private static String removeRepeatingTags(String html) {
Document doc = Jsoup.parse(html);
Element img = doc.selectFirst("img");
Element parent = img.parent();
while (parent.tagName().equals(parent.parent().tagName())) {
parent.unwrap();
parent = img.parent();
}
return doc.toString();
}
}
第一部分的输出是:
<div>
<div>
<div>
<div>
<img alt="alt" src="https://somelink.com 871w">
</div>
</div>
</div>
</div>
第二部分后的输出是:
<html>
<head></head>
<body>
<div>
<img alt="alt" src="https://somelink.com 871w">
</div>
</body>
</html>
Jsoup 将添加 <html>
<head>
和 <body>
标签。为了避免这种情况而不是
Document doc = Jsoup.parse(html);
使用
Document doc = Jsoup.parse(html, "", Parser.xmlParser());
并且输出将完全符合您的预期:
<div>
<img alt="alt" src="https://somelink.com 871w">
</div>
重制示例代码:
<div class="mrd3w m6et0 _2d49e_1O4vF">
<div class="p1td4 pw4go p513t al2kje m10qy mij5n">
<div class="_2d49e_2tor6" style="max-width:871px;max-height:552px">
<div class="ptv8j2" style="padding-top:calc(100% * 552 / 871)">
<img alt="alt" class="_2d49e_3B1Cq pt94f9 pt1itw ptux49 w1eai _2d49e_32cUf lazyloaded" sizes="(min-width: 1200px) 560px, (min-width: 992px) 50vw, 100vw" src="https://somelink.com 871w" width="871px">
</div>
</div>
</div>
</div>
我已经从这个 html 中删除了一些无用的链接和导入,这是我的最后一个问题。 类 个 div 是随机的,而且有很多。
我需要像这样简单干净的代码:
<div>
<img alt="alt" src="https://somelink.com">
</div>
我正在从数据库中创建 xml 文件,每个产品的描述都是一团糟,需要尽可能干净。整个描述在数据库中作为所有这些混乱的输入端口和标签的值。我正在使用 Jsoup 重新制作此描述,但不知道如何在不删除子项的情况下删除父项。
这需要两个步骤:
- 要清除不需要的标签和属性,请使用
Whitelist
和Jsoup.clean(html, whitelist)
- 要删除父项,您可以使用
element.unwrap()
。要删除重复的父项,我们可以使用循环向上移动,如果它们相同则将其删除。
这是执行此操作的代码:
public class JsoupIssue61137870 {
public static void main(final String[] args) throws IOException {
String html = " <div class=\"mrd3w m6et0 _2d49e_1O4vF\"> \n"
+ " <div class=\"p1td4 pw4go p513t al2kje m10qy mij5n\"> \n"
+ " <div class=\"_2d49e_2tor6\" style=\"max-width:871px;max-height:552px\"> \n"
+ " <div class=\"ptv8j2\" style=\"padding-top:calc(100% * 552 / 871)\">\n"
+ " <img alt=\"alt\" class=\"_2d49e_3B1Cq pt94f9 pt1itw ptux49 w1eai _2d49e_32cUf lazyloaded\" sizes=\"(min-width: 1200px) 560px, (min-width: 992px) 50vw, 100vw\" src=\"https://somelink.com 871w\" width=\"871px\">\n"
+ " </div> \n" + " </div> \n" + " </div> \n" + " </div> ";
Whitelist whitelist = Whitelist.none();
whitelist.addTags("div", "img");
whitelist.addAttributes("img", "src");
String cleanHTML = Jsoup.clean(html, whitelist);
System.out.println(cleanHTML);
String result = removeRepeatingTags(cleanHTML);
System.out.println(result);
}
private static String removeRepeatingTags(String html) {
Document doc = Jsoup.parse(html);
Element img = doc.selectFirst("img");
Element parent = img.parent();
while (parent.tagName().equals(parent.parent().tagName())) {
parent.unwrap();
parent = img.parent();
}
return doc.toString();
}
}
第一部分的输出是:
<div>
<div>
<div>
<div>
<img alt="alt" src="https://somelink.com 871w">
</div>
</div>
</div>
</div>
第二部分后的输出是:
<html>
<head></head>
<body>
<div>
<img alt="alt" src="https://somelink.com 871w">
</div>
</body>
</html>
Jsoup 将添加 <html>
<head>
和 <body>
标签。为了避免这种情况而不是
Document doc = Jsoup.parse(html);
使用
Document doc = Jsoup.parse(html, "", Parser.xmlParser());
并且输出将完全符合您的预期:
<div>
<img alt="alt" src="https://somelink.com 871w">
</div>