java - 如何从 BIG HTML 字符串中删除一些标签？

Question

我需要处理一些 HTML 标签(删除它们)

此 HTML 以 .txt 格式存储在我应用的 Assets 文件夹中

这个 HTML 太大了(大约 7.000 多行)，我无法将它存储到一个简单的字符串变量中...

我正在使用此代码将 .txt 转换为 ArrayList:

InputStream is;

try {
    is = getAssets().open("html.txt");
} catch (IOException e) {
    e.printStackTrace();
}

BufferedReader br = new BufferedReader(new InputStreamReader(is));

String strLine;

List<String> stringList = new ArrayList<>();
try {
    while ((strLine = br.readLine()) != null) {
        stringList.add(strLine);
    }
} catch (Exception e) {
    e.printStackTrace();
}

这样，我猜 .txt HTML 中的每一行都存储为 stringList 的元素...但是我如何删除想要的标签，因为它的开头和结尾可能在不同的行中？

如果不可能，我想知道这个问题的任何解决方法...提前致谢!

编辑:

我想进行修改，例如从页面中删除所有链接，例如 <a href="url">至 <a>

另外，我想删除标签 <title> ... 恢复:这些不是很大的修改...

我已经在我的一个项目中使用了 JSoup...但它只是将 HTML 存储为文档...要使用标签，作为文档类型中的 HTML 是否值得？我如何转换 JSoup 文档中的 .txt 文件？

Answer 1

假设您真的不能将所有内容都存储在一个大字符串中(或者您不想这样做)，提取可能跨行的内容将是一个问题，是的。

您是否考虑过查看 HTML 解析器，而不是跳到字符串列表，最好是支持流和修改的解析器？

您可能考虑使用 HTML 解析器的原因是，手动搜索 HTML 中的标签可能无法考虑您可能遇到的所有潜在场景(注释掉 HTML 标签和 HTML 解析器可以为您处理的其他内容)。