Как удалить атрибуты HTML, кроме «src» и «alt» в JAVA

Question

Как удалить все атрибуты из тегов HTML в строке, кроме «alt» и «src», используя Java?

И далее .. как получить контент из всех атрибутов «src» в строке?

:)

Answer 1

ОК, решил это как-то.

Использовал библиотеку HTMLCleaner для синтаксического анализа входных данных в допустимом формате.

Затем я использую парсер DOM для перебора всего и разделяю все запрещенные теги и атрибуты.

(и некоторые незначительные уродливые хаки;))

Это было своего рода много работы.

Answer 2

Вы можете:

• Реализовать SAX parser;
• Построен документ с DOM parser, пройдите его и обрезайте, а затем конвертируйте обратно в HTML; или
• Использовать identity transform в XSLT (при условии, что ваш HTML-код находится в формате XHTML или может быть преобразован в него с помощью, например, JTidy) с некоторыми дополнительными случаями, чтобы удалить атрибуты, которые вы не хотите.

Что бы вы ни делали, не пытайтесь делать это с регулярными выражениями.