HTML的片段的替换

背景

背景：我们的后台系统发布一个内容的时候在数据库里是一个html片段，类似于"<div><p class="..."><div class="...">content, <a src="...""

 

需要写一个java类，输入是一个上述html片段，将所有的指向图片的<a>标签的src修改为另一个src值，另外一个src值的构成是

path+原src值中的文件名，path是传入的一个参数

 

要完成一个java类，有一个公有方法

StringrecaculateImage(String htmlDiv, String path)

 

由于这是一个共用的方法务必注意

1）必须是线程安全的

2）除了常量不允许有static类型的成员变量

3）只能处理图片类型的<a>标签，（你可以列举常用的图片类型）

4）务必考虑各种可能性，保障尽可能所有情况下都能正确工作

第一次尝试

遇到这种情况，第一个反应就是正则表达式，找到相关的正则表达式，然后找出匹配的，再做替换。

然后开工：几经尝试之后，写出如下代码：

首先是找<a>标签中有src中有图片格式的，然后找出来之后提取图片的文件名，然后再进行补全。

    public String recaculateImage(String htmlDiv, String path)
    {
       	       	 
       	 String regxpForTag = "\\s*a\\s+([^>]*)\\s*src=\"([^\"](?i).+?\\.(jpg|gif|bmp))\""; //找出<a>标签中src属性为jpg,gif,bmp      	 
       	 Pattern patternForTag = Pattern.compile(regxpForTag);  
         Matcher matcherForTag = patternForTag.matcher(htmlDiv);  
         StringBuffer sb = new StringBuffer();   
         boolean result = matcherForTag.find();   
         while(result){
            	 String fileName = matcherForTag.group(0).substring(matcherForTag.group(0).lastIndexOf("\\")+1);  //取出符合条件的文件名称                           	           	
            	 matcherForTag.appendReplacement(sb, "a src=\""+ path + fileName); 
            	 result = matcherForTag.find();            
        }
        matcherForTag.appendTail(sb);   
        return sb.toString();   
    }

但是，后来发现有一个问题，因为这样只能对于<a>标签中只有一个属性值的情况下是可以生效的，如果有其他属性值的话，提取出来会有问题，需要对取文件名称的语句进行调整，同时，更严重的问题是提取的html片段若是不完整的，也不会补全，这样必然会影响处理后的效果。
第二次尝试

然后，是否有更好的办法呢？html片段，如果能转换成XHTML，然后在DOM对象中找到相应的节点进行操作，这样是否会更简便？

思路就是HTML先转化为XHTML，然后通过xpath，xquery对相应节点进行操作。

然后搜索了下，主要有Jtidy，NekoHTML，htmlparser等。

各种都有过尝试，最后采用了htmlparser，代码如下：主要还是找到对应节点，然后在节点内对内容进行操作，这样的正则表达式就不需要这么复杂了。

    /**  
     *   
     * 基本功能：将所有的指向图片的<a>标签的src修改为另一个src值 
     * <p>  
     *   
     * @param htmlDiv  
     * @param path  
     * <a>标签中src属性的文件处理后的路径  
    
     * @如：替换<a>标签的src属性值的路径 
     */  
    public String recaculateImage(String htmlDiv, String path) throws ParserException{
    	StringBuilder filterContent = new StringBuilder();
		Parser parser = new Parser(htmlDiv);	
		String regxpForTagAttrib = "src=\"([^\"](?i).+?\\.(jpg|gif|bmp))\"";  //找出<src>属性中为有jpg、gif、bmp等图片的

		// 遍历所有的节点
		NodeList nodes = parser.extractAllNodesThatMatch(new NodeFilter() {
			public boolean accept(Node node) {
				return true;
			}
		});
		for (int i = 0; i < nodes.size(); i++) {
			Node node = nodes.elementAt(i);
			if (node instanceof LinkTag) {   //找出<a>标签
				
					LinkTag lnk = (LinkTag) nodes.elementAt(i);				
					String src = lnk.getText();
				    Pattern patternForAttrib = Pattern.compile(regxpForTagAttrib); 
					Matcher matcherForTag = patternForAttrib.matcher(node.getText()); 
					boolean result = matcherForTag.find(); 
					 if(result)
					 {
						 String fileName =lnk.getAttribute("src").substring(lnk.getAttribute("src").lastIndexOf("\\")+1);//找出文件名称
						 
						 lnk.setAttribute("src", path+fileName);//进行更新路径
					
					 }
					 else
					 {
						 System.out.println("不符合："+src);
					 }
					 filterContent.append('<');
					 filterContent.append(node.getText());
					 filterContent.append('>');
					 		 
			} else if (node instanceof TextNode) {
				TextNode text = (TextNode) node;
				filterContent.append(text.getText());
			} else {
				filterContent.append('<');
				filterContent.append(node.getText());
				filterContent.append('>');
			}

		}
		return filterContent.toString();
	}

然后htmlparser有很多jar包

我用的是下面的

http://download.csdn.net/detail/cryptlordx/8060313