Question

我正在使用Scala和Lift框架开发Web应用程序。我在DB中有记录，其中包含页面

的html perex

<b>Hi all, this is perex</b>

在一种情况下，我需要打印给用户这个perex，但没有html标签。

Hi all, this is perex

可以在Scala中执行此操作吗？因为我试图与谷歌合作，但没有成功。

感谢所有回复。

Answer 1

如果字符串是有效的XML，那么您可以使用：

scala.xml.XML.loadString("<b>Hi all, this is parex</b>").text

如果它不是有效的XML，那么您可以使用scala.util.matching.Regex或HTML解析库，如http://jsoup.org/

Answer 2

我发现的最佳解决方案是使用cyberneko来解析你的字符串并做一些＆＃34;聪明的＆＃34; SAX事件处理。

cyberneko会解析您的HTML，即使它无效，对于您可能在野外遇到的绝大多数HTML都是如此。

如果您注册一个自定义ContentHandler基本上忽略除character事件之外的所有事件，只需将它们附加到字符串构建器，那么您将获得良好的初步近似值，并存在令人讨厌的缺陷：由块元素分隔的单词将最终连接在一起（for<br/>example =＆gt; forexample）。

更好的解决方案是获取所有块元素的列表，并让ContentHandler收听startElement个事件。如果元素是块1，则只需在字符串构建器中附加空格字符。

请注意，虽然这似乎工作正常，但它可能不适合您的用例。例如，<br/>不会变成换行符。如果需要的话，添加它不应该是太多的工作。

Answer 3

TagSoup应满足您解析realworld html文件的要求。

sbt依赖，

libraryDependencies += "org.ccil.cowan.tagsoup" % "tagsoup" % "1.2.1"

示例代码，

object TagSoupXmlLoader {

  private val factory = new SAXFactoryImpl()

  def get(): XMLLoader[Elem] = {
    XML.withSAXParser(factory.newSAXParser())
  }
}

用法，

val root = TagSoupXmlLoader.get().load("http://www.google.com")
println(root)

从Scala String中删除HTML标记

3 个答案: