java - 如何在清理文档时删除空文本元素？

Question

我的代码使用 jsoup Cleaner 从文档中删除不需要的元素。我注意到在清理操作之后，仍然存在许多空文本节点。由于它们没有子节点，因此删除它们应该可以。

想知道是否有人已经为此实现了解决方案......

文档输出到字符串如下:

• • • • • 李
• • • • • • 文字:
• • • • • • 一个: http://www.example.com//mobile/
• • • • • • • 文本:移动应用
• • • • • 文字:
• • • • • 李
• • • • • • 文本:金融产品
• • • • • • a:另一个链接
• • • • • • • 文本:xyz 视觉数据
• • • • • 文字:
• • • • 文字:
• • • • 文字:
• • • • 文字:
• • • • 文字:
• • • • 文字:

Answer 1

删除空标签可能很棘手，因为有些标签始终为空(例如 <br/> 和 <img/> )，而其他标签即使为空也会影响文档的布局(例如 <p></p> )。更糟糕的是，某些 CSS 配置可能会导致几乎任何类型的标签影响文档布局(例如字体图标)。

如果您可以决定愿意删除哪些元素，则以下操作应该有效:

// Names of the elements to remove if empty
Set<String> removable = ....

// Parse the html into a jsoup document
Document source = Jsoup.parse(myHtml);

// Clean the html according to a whitelist
Document cleaned = new Cleaner(whitelist).clean(source);

// For each element in the cleaned document
for(Element el: cleaned.getAllElements()) {

   if(el.children().isEmpty() && !el.hasText()) {
       // Element is empty, check if should be removed
       if(removable.contains(el.tagName())) el.remove();
   }
}