如何使用Java從我的HTML中刪除對象標簽

Question

嗨，我正在嘗試使用Java從HTML內容中刪除對象標簽，以便可以在不支持Flash的設備中呈現HTML。

<object classid="clsid:F08DF954-8592-11D1-B16A-00C0F0283628" id="Slider1" width="100" height="50">
  <param name="BorderStyle" value="1" />
  <param name="MousePointer" value="0" />
  <param name="Enabled" value="1" />
  <param name="Min" value="0" />
  <param name="Max" value="10" />
</object>

Answer 1

這個正則表達式必須達到目的：

<\/?object(\s\w+(\=\".*\")?)*\>

Answer 2

您可以只使用Tagsoup（http://ccil.org/~cowan/XML/tagsoup/），這是一個XML解析器，即使格式不正確也可以從html讀取（不需要是xhtml甚至不需要遵循） 。

然后，您可以只使用xpath刪除所有對象標簽。

這比正則表達式安全得多，如果您想掌握所有邊緣情況，則很難維護。

Answer 3

OBJECT HTML元素可以嵌套。 由於Java不提供本地正則表達式遞歸表達式，因此您不能直接將最外部的OBJECT元素與單個正則表達式匹配。 但是，您可以設計正則表達式以匹配最里面的 OBJECT元素，然后進行迭代，從“由內而外”替換它們，直到沒有剩余為止。 這是一個經過測試的Java代碼段，它精確地做到了：

String regex = "<object\\b[^>]*>[^<]*(?:(?!</?object\\b)<[^<]*)*</object\\s*>";
String resultString = null;
java.util.regex.Pattern p = java.util.regex.Pattern.compile(
            regex,
            java.util.regex.Pattern.CASE_INSENSITIVE |
            java.util.regex.Pattern.UNICODE_CASE);
java.util.regex.Matcher m = p.matcher(subjectString);
while (m.find())
{ // Iterate until there are no OBJECT elements.
    resultString = m.replaceAll("");
    m = p.matcher(resultString);
}
System.out.println(resultString);

洞穴：無疑會有很多人指出： “您不能使用正則表達式來解析HTML！” 並且它們是正確的（如果您的解決方案必須在100％的時間內可靠地工作）。 盡管上面的解決方案在很多情況下都適用，但是請注意，它有一些局限性，並且有某些因素可以使它崩潰：

1. "<OBJECT...>"開始或"</OBJECT>"結束標記可能不會出現在任何CDATA字符串中，例如SCRIPT或STYLE標記中，任何標記屬性中或任何HTML注釋中。 例如<p title="evil <OBJECT> attribute">或<SCRIPT>alert("Bad <OBJECT> script here!");</SCRIPT>或<!-- <OBJECT> inside a comment --> 。
2. <OBJECT>開始標記的屬性中不得包含任何尖括號。

這些特殊情況應該很少見，上面的代碼對於大多數（即使不是全部）HTML文件也可以正常工作。