使用 Jsoup 删除父标签而不删除子标签答案

【问题标题】：Deleting parent tags without deleting children with Jsoup使用 Jsoup 删除父标签而不删除子标签
【发布时间】：2020-07-23 01:25:45
【问题描述】：

要重新制作的示例代码：

       <div class="mrd3w m6et0 _2d49e_1O4vF"> 
        <div class="p1td4 pw4go p513t al2kje m10qy mij5n"> 
         <div class="_2d49e_2tor6" style="max-width:871px;max-height:552px"> 
          <div class="ptv8j2" style="padding-top:calc(100% * 552 / 871)">
           <img alt="alt" class="_2d49e_3B1Cq pt94f9 pt1itw ptux49 w1eai _2d49e_32cUf lazyloaded" sizes="(min-width: 1200px) 560px, (min-width: 992px) 50vw, 100vw" src="https://somelink.com 871w" width="871px">
          </div> 
         </div> 
        </div> 
       </div>

我已经从这个 html 中删除了一些无用的链接和导入，这是我的最后一个问题。 div 的类别是随机的，而且数量很多。

我需要像这样简单干净的代码：

<div>
  <img alt="alt" src="https://somelink.com">
</div>

我正在从数据库创建 xml 文件，每个产品的描述都是一团糟，需要尽可能干净。整个描述在数据库中作为具有所有这些混乱端口和标签的值。我正在使用 Jsoup 重新制作此描述，但不知道如何在不删除子项的情况下删除父项。

【问题讨论】：

标签： java html jsoup

【解决方案1】：

这需要两个步骤：

要清除不需要的标签和属性，请使用Whitelist 和Jsoup.clean(html, whitelist)
要删除父级，您可以使用element.unwrap()。要删除重复的父母，我们可以使用循环向上移动，如果它们相同，则将其删除。

这是执行此操作的代码：

public class JsoupIssue61137870 {

    public static void main(final String[] args) throws IOException {
        String html = "  <div class=\"mrd3w m6et0 _2d49e_1O4vF\"> \n"
                + "        <div class=\"p1td4 pw4go p513t al2kje m10qy mij5n\"> \n"
                + "         <div class=\"_2d49e_2tor6\" style=\"max-width:871px;max-height:552px\"> \n"
                + "          <div class=\"ptv8j2\" style=\"padding-top:calc(100% * 552 / 871)\">\n"
                + "           <img alt=\"alt\" class=\"_2d49e_3B1Cq pt94f9 pt1itw ptux49 w1eai _2d49e_32cUf lazyloaded\" sizes=\"(min-width: 1200px) 560px, (min-width: 992px) 50vw, 100vw\" src=\"https://somelink.com 871w\" width=\"871px\">\n"
                + "          </div> \n" + "         </div> \n" + "        </div> \n" + "       </div> ";

        Whitelist whitelist = Whitelist.none();
        whitelist.addTags("div", "img");
        whitelist.addAttributes("img", "src");
        String cleanHTML = Jsoup.clean(html, whitelist);
        System.out.println(cleanHTML);

        String result = removeRepeatingTags(cleanHTML);
        System.out.println(result);
    }

    private static String removeRepeatingTags(String html) {
        Document doc = Jsoup.parse(html);
        Element img = doc.selectFirst("img");
        Element parent = img.parent();
        while (parent.tagName().equals(parent.parent().tagName())) {
            parent.unwrap();
            parent = img.parent();
        }
        return doc.toString();
    }
}

第一部分的输出是：

<div> 
 <div> 
  <div> 
   <div> 
    <img alt="alt" src="https://somelink.com 871w"> 
   </div> 
  </div> 
 </div> 
</div>

第二部分之后的输出是：

<html>
 <head></head>
 <body>
  <div>    
    <img alt="alt" src="https://somelink.com 871w">  
  </div>
 </body>
</html>

Jsoup 会添加 <html> <head> 和 <body> 标签。为了避免这种情况而不是

    Document doc = Jsoup.parse(html);

使用

    Document doc = Jsoup.parse(html, "", Parser.xmlParser());

输出将完全符合您的预期：

<div>    
 <img alt="alt" src="https://somelink.com 871w">    
</div>

【讨论】：

非常感谢。一段时间后，我得到回应说我的 xml 中不欢迎这些 img 标签，所以我只使用了白名单和清理方法。上面的解决方案非常好，将来会有所帮助。