如何解析任意HTML

Question

我正在使用jericho来清理html并且效果很好。除了在一种情况下，我无法弄清楚。我想完全删除任何脚本和脚本内容。现在我正在删除脚本标记，但保留了实际的脚本内容。

所以目前我创建一个Source对象并执行fullSequentialParse。然后我创建一个OutputDocument并循环遍历每个标记。

当我找到“脚本”标签时，我只想用“”替换整个东西。

有什么想法吗？

TIA

Answer 1

我不熟悉Jericho，但是它有能力在树上工作，非常类似于DOM树，所以你可以删除script 元素而不仅仅是标记的。 （如果你有一个巨大的HTML，这可能不是最佳的。）

如果没有，那么你可以采用SAX方式。请记住开始script标记，当您到达结束标记时，您可以删除其中的所有内容。

Answer 2

简单有效的方法 -

1. 遍历以逐个访问脚本标记。
2. 对于每个脚本标记，您可以获得其下一个结束标记（使用for循环）。
3. 获取开始标记和结束标记的位置（整数值）。
4. 从源对象中删除这些行。
5. 替换源文件。 （只需创建一个新文件并保存在同一个文件夹中，它就会覆盖）

A2A ：）