使用Java中的兄弟标签解析HTML内容（或）在两个<open>标签之间查找内容

Question

背景：我正在编写一个Java程序来浏览HTML文件，并将非<script>或<style>标签中的所有内容替换为Lorem Ipsum 。我原本是用一个正则表达式去除一个>和一个<之间的一切，这实际上工作得很好（我知道是亵渎神灵），但我试图把它变成其他人可能会觉得有用的工具，所以我不敢威胁通过尝试在HTML上使用正则表达式，宇宙的神圣性。

我想使用HtmlCleaner，一个吸引我的Java库，因为它没有其他的依赖关系。然而，试图实现它，我一直无法处理这样的HTML：

<div> 
    This text is in the div <span>but this is also in a span.</span> 
</div> 

问题很简单。当TagNodeVisitor达到div时，如果我用适量lipum替换它的内容，它将消除span标签。但是如果我深入了解没有其他孩子的TagNode，我会错过第一个文本。

HtmlCleaner有一个ContentNode对象，但该对象没有替换方法。任何我能想到的处理这件事似乎都是太复杂了。是否有人熟悉处理这个问题的方法，使用HtmlCleaner或其他更熟悉的解析库？

Answer 1

你几乎可以做你想要JSoup setters

但愿适合你什么吗？

Element div = doc.select("div").first(); // <div></div> 
div.html("<p>lorem ipsum</p>"); // <div><p>lorem ipsum</p></div> 

Answer 2

HtmlCleaner的ContentNode有一个方法getContent()返回一个java.lang.StringBuilder。这是可变的，可以更改为任何你想要的值。