处理大文本格式化去除HTML里面的注释标签解决办法

最新推荐文章于 2022-12-30 14:06:16 发布
最新推荐文章于 2022-12-30 14:06:16 发布
阅读量225 收藏 1
点赞数
分类专栏： 2022年-目前工作 文章标签： html 前端 正则表达式
我爱你，一起加油 ！
本文链接：https://blog.csdn.net/m0_59252007/article/details/125349188
版权
本文介绍了在处理爬虫抓取的HTML文本时，如何去除HTML标签及注释标签的问题。面对正则表达式匹配后注释标签失效导致的格式化问题，作者提供了一种优化的Java工具类代码及其测试验证，确保能有效提取纯文本内容。
摘要由CSDN通过智能技术生成

目录

前言

 最终优化后的java工具类代码如下

测试方法得到的结果验证下 

前言

需求详情是这样的，针对爬虫抓取到的文本，把里面的HTML格式标签剔除掉，然后把里面的注释的标签也去除掉，只要抓取到文本的纯文本格式化，使用java类进行处理，然后得到想要的文本内容即可，这样的结果不是简单地java工具类处理就可以的，我这边使用了一个Java的工具类，然后遇到了一个极其罕见的问题，问题1就是里面的注释标签，使用HTML的正则表达式抓取到之后，但是注释标签在剔除掉HTML的标签之后，就已经失效了。所以每一次会出现这个情况就是HTML格式化处理之后，里面的注释显示了出来，无法正常的去除，自己多想之后，然后想出来了解决办法！在这里分享一下！

问题描述详情如下：

正则表达式匹配到的HTML标签把注释标签也剔除了。导致注释标签在处理的时候出现了问题！

 

测试的文本抓取到的HTML全文如下 ：


                

        

        

    

  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        

    


                



	

		

			

				
					
java怎么去掉html标签

				
			

			

				

					qq_57222058的博客
				

				

					06-07
					
					696
					
				

			

		

		

			
				
业务开发中可能需要将html的标签全部去掉，本文将多种方法综合在这里，供大家参考。

			
		

	



                

              
                



	

		

			

				
					
html注释删除工具,HTML注释（选择，高亮，删除格式）

				
			

			

				

					weixin_42102713的博客
				

				

					06-14
					
					234
					
				

			

		

		

			
				
我工作的一个跨浏览器基于网络的注解工具集，它允许用户选择网页HTML注释(选择，高亮，删除格式)HIGHLIGHT的任何部分，如果您选择：约翰大< /李> 转储< /李>结果john is big dump删除格式：如果您选择：john从john is big dump结果 john is big dump撤销/重做：好的，有特色为了能够撤销和重做动作进行我有一个部分解决了...

			
		

	



                


  
              

                


	

		

			

				
					
html 注释报错,html屏蔽注释

				
			

			

				

					weixin_42396285的博客
				

				

					06-21
					
					343
					
				

			

		

		

			
				
新建html文件。 1 vi index.html添加以下内容并保存。 lighttpd testthis is  a testing 父主题：snpEff.jar databases 执行以下命令进入snpEff目录。 cd /path/to/SNPEFF/snpEff 执行以下命令输出带注释的文本。 java -jar snpEff.jar -v GRCh37.75 /path/to/SNPE...

			
		

	





	

		

			

				
					
Java去掉html标签的各种姿势

					
热门推荐

				
			

			

				

					明明如月的技术博客
				

				

					06-12
					
					1万+
					
				

			

		

		

			
				
一、背景

业务开发中可能需要将html的标签全部去掉，本文将多种方法综合在这里，供大家参考。



二、方法

2.1 纯正则方法


import java.util.regex.Matcher; 
import java.util.regex.Pattern; 

public class HTMLSpirit{ 
    public static String delHTMLTag(S...

			
		

	



		

			
		



	

		

			

				
					
Java 删除html文本中的注释内容

				
			

			

				

					握住一缕风
				

				

					04-01
					
					1167
					
				

			

		

		

			
				
最近项目中有一个功能需要读取外部html文本文件。但是有的html文件里面有大量的注释，需要删除其中的注释在存储。其实删除html文本中的注释有很多方法，这里就自己随便写了一个处理方法，权当笔记，有需要的同学可以参考。

html文本的注释有几个特点：
1. 成对出现，有开始就一定有结束。
2. 注释标签没有嵌套，注释开始标签（以下称为 ）。
3. 一行中可能有多个注释标签对儿。
4....

			
		

	





	

		

			

				
					
NotePad++格式化sql文本插件

				
			

			

				

					09-18
				

			

		

		

			
				
标题中的“NotePad++格式化sql文本插件”指的是NotePad++编辑器的一款特定插件，主要用于美化和格式化SQL查询语句。NotePad++是一款轻量级且功能强大的源代码编辑器，支持多种编程语言，包括SQL。这款插件的引入，极...

			
		

	





	

		

			

				
					
jshtmlcss格式化离线工具

				
			

			

				

					08-17
				

			

		

		

			
				
格式化HTML代码能确保标签的正确嵌套，避免因代码混乱导致的解析错误。离线工具通常可以自动缩进元素，合并连续的空格或换行，以及规范化属性的顺序和引号类型。这对于维护大型HTML文档尤其有帮助，可以快速使杂乱的...

			
		

	





	

		

			

				
					
JS-HTML格式化工具代码，web源码版

				
			

			

				

					11-15
				

			

		

		

			
				
**CSS格式化**则是处理样式表代码的工具，它可以将凌乱的CSS代码整理成有序的形式，包括但不限于属性排序、选择器换行、注释整理等。这对于维护大型CSS文件或多人协作项目尤其有价值。  除了格式化功能，该工具还...

			
		

	





	

		

			

				
					
Python使用正则表达式去除(过滤)HTML标签提取文字功能

				
			

			

				

					10-16
				

			

		

		

			
				
这在数据清洗、网页抓取等领域非常常见，因为原始HTML源码中通常包含了大量格式化标签，而我们可能只关心纯文本信息。  首先，我们需要导入Python的`re`模块，它提供了正则表达式的相关函数。在处理HTML时，我们通常...

			
		

	





	

		

			

				
					
PHP strip_tags()去除HTML、XML以及PHP的标签介绍

				
			

			

				

					12-18
				

			

		

		

			
				
这个函数在处理用户输入、防止XSS（跨站脚本攻击）或者格式化数据时非常有用。下面我们将详细介绍`strip_tags()`函数的使用方法、参数及其相关知识点。  ### 1. 函数语法  `strip_tags()`函数的基本语法是：  ```php...

			
		

	





	

		

			

				
					
js、css 注释清理工具 (yuicompressor)

				
			

			

				

					03-01
				

			

		

		

			
				
js、css 文件注释清空、代码压缩、中文字符串混淆等功能，绝对好用，已经测试过。yuicompressor（代码压缩工具）

			
		

	





	

		

			

				
					
java去除HTML标签

				
			

			

				

					me_Jackyoyo的博客
				

				

					08-25
					
					1071
					
				

			

		

		

			
				
java去除HTML标签，去除class=MsoNormal
/**
     * 去除html代码中含有的标签
     * @param htmlStr
     * @return
     */
    public static String delHtmlTags(String htmlStr) {
        //定义script的正则表达式，去除js可以防止注入
        String scriptRegex="<script[^>]*?>[\\s\\S]*?&l

			
		

	





	

		

			

				
					
java html 注释_Java 批量删除html中注释内容的方法

				
			

			

				

					weixin_36270894的博客
				

				

					02-12
					
					320
					
				

			

		

		

			
				
public class HtmlCommentHandler {/*** html内容中注释的Detector** @author boyce* @version 2013-12-3*/private static class HtmlCommentDetector {private static final String COMMENT_START = "";// 该字符串是否是html注释行...

			
		

	





	

		

			

				
					
java 批量去除注释,Java 批量删除html中注释内容的方法

				
			

			

				

					weixin_34637857的博客
				

				

					03-10
					
					258
					
				

			

		

		

			
				
public class HtmlCommentHandler {/*** html内容中注释的Detector** @author boyce* @version 2013-12-3*/private static class HtmlCommentDetector {private static final String COMMENT_START = "";// 该字符串是否是html注释行...

			
		

	





	

		

			

				
					
删除html注释 python,用Python提取HTML源码中的注释与去掉注释

				
			

			

				

					weixin_33272631的博客
				

				

					07-01
					
					454
					
				

			

		

		

			
				
遇到一个编程问题，你必须首先想到的是要简化它，简化成一个最简单的问题后，写最简单的代码来解决它，同时只付出最简单的测试代价。简单HTML源码：123提取上述代码中的注释：frombs4importBeautifulSoup,Commentsoup=BeautifulSoup("""123""")comments=soup.findAll(text=lambdatext:isins...

			
		

	





	

		

			

				
					
从给定文本中去除 HTML

				
			

			

				

					liuhao9999的博客
				

				

					07-26
					
					407
					
				

			

		

		

			
				
标签包含一个不会立即呈现的HTML内容。但是，IE11等旧版浏览器不支持此功能。但是，我们可以通过将标签替换为来防止html被执行。1.从虚假元素中获取文本内容（不推荐）不推荐使用这种方法，因为如果输入。2.使用DOMParser。...

			
		

	





	

		

			

				
					
Python 爬虫 去掉网页注释，去掉网页注释

				
			

			

				

					aini4568的博客
				

				

					04-27
					
					674
					
				

			

		

		

			
				
　　

在爬虫中，我们遇到了网页注释的问题，这些内容，第一，耗费内存资源，第二，在解析网页的时候，不易匹配出来信息。那么我们该如何去掉他们呢？？？



　　

我们可以去使用正则去过滤掉他们
方法如下

result = "网页内容" re_comment = re.compile('<!--[^>]*-->')
 
result...

			
		

	





	

		

			

				
					
java 去掉html标签来获取内容

				
			

			

				

					fall_hat的博客
				

				

					10-16
					
					901
					
				

			

		

		

			
				
/**
     * 去除html代码中含有的标签
     * @param htmlStr
     * @return
     */
    public static String delHtmlTags(String htmlStr) {
        //定义script的正则表达式，去除js可以防止注入
        String scriptRegex="<script...

			
		

	





	

		

			

				
					
终于搞懂如何用Java去除HTML标签了

					
最新发布

				
			

			

				

					Java_zhujia的博客
				

				

					12-30
					
					6450
					
				

			

		

		

			
				
在我平时的工作中，偶尔会用 Java 做一些解析HTML的工作。有的时候我需要删除所有的HTML标签，只保留纯文字内容。这个问题在做过一些爬虫工作的朋友来说很简单。下面来说说，我们平时使用到的集中解析的方法。

			
		

	





	

		

			

				
					

				
			

			

				

					
				

			

		

		

			
				

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
道阻且长-行则将至-行而不辍-未来可期

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值