Question

我想比较使用Jsoup表示为String的两个HTML文档，忽略空格中的任何差异。

简化示例：

@Test
public void testCompare() {
  Document doc1 = Jsoup.parse("<html><body><div>Hello</div>\n</body></html>");
  Document doc2 = Jsoup.parse("<html><body><div>Hello</div>\n</body>\n</html>");

  System.out.println("Document 1");
  System.out.println("----------");
  for (Node node : doc1.body().childNodes()) {
    printNode(node);
  }

  System.out.println();

  System.out.println("Document 2");
  System.out.println("----------");
  for (Node node : doc2.body().childNodes()) {
    printNode(node);
  }

  assertTrue("HTML documents are different", doc1.hasSameValue(doc2));
}

private void printNode(Node node) {
  String text = node.getClass().getSimpleName();
  if (node instanceof TextNode) {
    TextNode textNode = (TextNode) node;
    text += ": '" + textNode.getWholeText().replaceAll("\n", "\\\\n") + "'";
  }
  System.out.println(text);
}

两个文件之间的唯一区别是身体标签后第二个文件中的新增行。

body标签中生成的子节点不同。第一个文档有一个元素节点和一个文本节点（包含一个新行）。第二个文档包含相同的两个节点，但有一个包含另一个新行的附加文本节点。此附加文本节点可能是文档规范化的结果（将body标记外部的文本节点移动到正文，请参阅Document＃normalize的Javadoc）。 Node＃hasSameValue使用outerHtml，它将处理单个文本节点中的后续空格，但不会处理两个不同的连续空格。

我怎样才能做到这一点？

如果有更好的替代方案可以达到同一目标，解决方案一定不能使用Jsoup。

Answer 1

如果将两个html都视为字符串，则可以执行以下操作：

Function<String, String> normalizer = (original) ->
    original
        .replaceAll("[\\s+]?\n+[\\s+]?", "") // remove newline chars
        .replaceAll("(>)(\\s+)(<)", "$1$3") // remove white space between tags
        .toLowerCase();
String html1 = normalizer.apply(doc1.html());
String html2 = normalizer.apply(doc2.html());
Assert.assertEquals("Both documents are identical", html1, html2);

但是请记住，此测试仅检查是否完全匹配。如果标签，属性或其他数据的顺序不同，则会失败。

Answer 2

我有类似的要求。我是通过以下方式实现的，

您可以使用 vimdiff 命令创建shell脚本来比较两个文件，并将并排比较导出为html文件
您可以使用 python diflib 来获取两个html文件之间的差异。

使用Jsoup（Java）比较两个HTML文档

2 个答案: