Question

我必须比较不同版本的HTML页面以进行格式化和文本更改。不幸的是，创建它们的人/公司使用某种HTML编辑器，每次重新包装所有HTML（并增加大量的空白），这使得很难区分它们。所以我正在寻找一种工具（最好是一个Java库），它可以重新格式化我的HTML，以便删除所有无关紧要的空格和换行符。

这意味着，在

中

<h1>First Headline</h1> <h2>Second headline</h2>

应删除</h1>和<h2>之间的空格，但在

中

<b>formatted</b> <i>text</i>

可能无法删除空格。我不关心<pre>，<textarea>或<script>块，也不关心可以改变行为的CSS空白属性 - 我只是在寻找一种解决大部分不必要问题的解决方案空白（最好留下太多的空白而不是太少）。

（我已经在折叠多个空格并在标签之前重新添加换行符而不是空格，以使文本更具可读性 - 但是仍有太多情况，例如标题或表格单元格/行之间的新换行符会破坏我的简单“溶液”。）

Answer 1

JTidy可能在这里有用。它是一个解析HTML的HTML解析器（并且容忍格式错误的HTML），并将HTML呈现为DOM，您可以覆盖此处的写法以删除您不感兴趣的内容。

Answer 2

如果这仅供内部使用，那么请考虑使用转换器到XHTML，然后规范化XML。然后比较结果要容易得多。