在 html 中删除其他语言 space

Question

我想使用 StringUtils.strip() trim 标记名称和属性之间的 space。因为我有一些 space 不能被删除以下杰里科方法：

CharacterReference.decodeCollapseWhiteSpace(htmlFragment))
文本提取器 -Tag[] allTags = source.fullSequentialParse();

第一种方法删除了普通语言 space 但没有删除其他语言 space。这是我得到的错误。例如

html = "<a　　　href=\"test.html\"><font></font></a>";

StartTag a at (r1,c1,p0) rejected because the name contains an invalid character at position (r1,c3,p2)
Encountered possible StartTag at (r1,c1,p0) whose content does not match a registered StartTagType

jericho 中也有一个 generateHTML 方法，但我们必须提供所有属性值等

public static java.lang.String generateHTML(java.util.Map<java.lang.String,java.lang.String> attributesMap)

在完全顺序解析中它无法识别其他语言 space。

如何删除标签名称和属性之间的其他语言 space ONLY？（属性值之间的其他语言 space 可以）这就是为什么我不能做 string.replaceALL()

Answer 1

您可以使用 String.replaceAll()。

    String html = "<a　　　href=\"test.html\">　　　<font></font></a>";
    System.out.println(html.replaceAll("(?<=<\w{1,100})[\s\u3000]+", " "));
    // -> <a href="test.html">　　　<font></font></a>

此代码将所有 space 替换为一个 space，包括 \u3000（表意文字 space）。 space 前面必须有 <ELEMENT_NAME。但是前面的没有被替换。（参见Class Pattern中的"zero-width positive lookbehind"）此代码中ELEMENT_NAME的长度限制在1到100之间。

在 html 中删除其他语言 space

Remove other language space in html

html

java

html-parsing

jericho-html-parser