Java中的HTML处理：将HTML转换为其他格式

Question

好的，Java有很多HTML / XML解析器。我想要做的不仅仅是知道如何解析它。我想过滤内容并以合适的形式使用。

更准确地说，我只想保留文字和图像。但是，我想保留一些文本格式，例如：斜体，粗体，对齐等。

这一切都是因为我正在尝试实现一个将html转换为我自己为自己创建的特定格式的转换器。

有什么想法吗？当然，之前必须做过很多次。

Answer 1

如果您打算根据安全白名单清除用户提交的内容以阻止XSS，那么我建议您使用Jsoup。 It provides a builtin white-list。然后就这么简单：

String safeHtml = Jsoup.clean(unsafeHtml, Whitelist.basicWithImages());

您可以按照javadoc。

中的说明自定义Whitelist

另见：

• Pros and cons of HTML parsers in Java

Answer 2

JTidy + XSLT？

Answer 3

看看HTML Parser，它可能很方便。

Answer 4

O.K。我认为发现了：在解析Element时，我可以构建javax.swing.text.html.InlineView，即InlineElement ie = new InlineView(element)，然后将属性设为ie.getAttributes)。

右。如果您可以提供更多帮助，即有一些第一手经验可以分享，请做！

Answer 5

你可以在包org.w3c.dom和javax.xml下使用xml dom解析器，你可以轻松地解析文档并获取节点内容

 Document doc = DocumentBuilder.parse(file);

然后使用

获取元素

NodeList nl = doc.getElementsByTagName("p"); // for paragraph tags

然后从nodelist获取内容，它会在段落标记中提供您的全部内容，就像您可以申请任何标记一样