使用JTidy从html中删除所需的标记

Question

我在解析HTML时使用JTidy和xpath，但是暂时解析文本会让我有点麻烦，因为它可能包含b标签，所以我不想循环它的子节点但只是删除'b '加载html后的标签。

如果从DOM文档中删除标记。

Document doc = tidy.parseDOM(url.openStream(), System.out);

例如伪代码 - doc.removeTag('<b>');

有可能吗？

Answer 1

您已将此标记为“jdom”，但您的文档是DOM文档（不是JDOM）。

如果它是是 JDOM，你可以使用相对简单的文档扫描替换元素及其内容。或者，您可以使用自定义SAXHandler来跳过首先添加元素。

使用JDOM，您可以执行以下操作：

for (Iterator <Content> it = document.getDescendants(); it.hasNext(); ) {
  Content c = it.next();
  if ((c instanceof Element) && "b".equals(((Element)c).getName())) {
    Element e = (Element)c;
    it.remove();
    for (Content k : e.getContent()) {
      k.detach();
      it.add(k);
    }
  }
}