JSoup：替换字符串会添加新行

Question

JSoup 遇到以下问题。

我要解析修改以下html代码：

<code>
<style type="text/css" media="all">
@import url("http://hakkon-aetterni.at/modules/system/system.base.css?ll3lgd");
@import url("http://hakkon-aetterni.at/modules/system/system.menus.css?ll3lgd");
@import url("http://hakkon-aetterni.at/modules/system/system.messages.css?ll3lgd");
@import url("http://hakkon-aetterni.at/modules/system/system.theme.css?ll3lgd");

  </style> 
</code>

我正在使用以下代码来实现：

Elements cssImports= doc.select("style");
        for (Element src : cssImports) {
            String regex ="url\\(\"(.)*\"\\)";
            String data =src.data();
            String link;        

            Pattern p = Pattern.compile(regex);
            Matcher m = p.matcher(data);

            while (m.find()){
                link=m.group().substring(5,m.group().length()-2);
                doc=Jsoup.parse(doc.html().replace(link, ""));
            }
        }

首先，它有效。所有导入 url 都替换为字符串“FOUND”。我遇到的问题是，在最后一个导入语句和关闭的 </style> 标记之间有很多新行，以前没有。

任何线索为什么会发生这种情况以及如何避免它？

很抱歉格式错误，但我的代码的某些部分似乎在发布时刚刚被删除。第一个代码块周围有一个样式标签...

Answer 1

好吧，我今天登陆这个页面是想做一件非常相似的事情，我相信我已经解决了。希望一个月后有人还在看这个。 ;)

我发现效果很好的是，不是在每个循环上进行字符串替换和重新解析文档，而是重建style 元素的内容。 JSoup 真正大放异彩的地方之一是它的 API 让编辑已解析的文档变得多么容易。

另一个技巧是使用data() 函数。 JSoup 区分数据（例如 script 和 style）和 html/文本节点。主要区别在于 HTML 转义不应用于数据节点。

将所有这些放在一起，以下代码 sn-p 应该将您导入的样式表引用替换为您的 FOUND 文本，但不会更改文档的格式：

// compile the regex before entering the loop, as it's a relatively expensive operation
Pattern pattern = Pattern.compile("url\\(\"(.)*\"\\)");
for(Element styleElem : doc.getElementsByTag("style")) {

    String data = styleElem.data();
    StringBuffer newData = new StringBuffer();
    Matcher matcher = pattern.matcher(data);

    while(matcher.find()) {
        matcher.appendReplacement(newData, "FOUND");
    }
    matcher.appendTail(newData);

    styleElem.appendChild(new DataNode(newData.toString(), base.toExternalForm()));
}

附：我假设你已经关闭了漂亮的打印功能。但是，由于您的文档解析代码未显示，因此请务必在解析后调用document.outputSettings().prettyPrint(false);。

P.P.S.在我自己的代码中，我使用了一个更宽容（而且稍微丑陋）的正则表达式来查找导入。它让用户可以省略 URL 声明、引号、括号等...因为 HTML 往往会做所有这些事情。我在我的代码中声明如下：

public static final Pattern CSS_IMPORT_PATTERN = Pattern.compile("(@import\\s+(?:url)?\\s*\\(?\\s*['\"]?)(.*?)([\\s'\";,)]|$)");