整合營銷服務商
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
上一章，我們已經實現了從網頁代碼文件中提取文字，但是我們發現，提取的文字中有很多空白行，如下圖
這樣，篇幅可能很長很長?，F在我們有一個需要，就是能不能將這些空白行去除掉？本章就來研究這個問題。
首先，我們先對程序進行一下優化處理，把上一張最后程序中的自定義函數“去除html代碼”，移動到通用函數庫中。
上一章最后的程序如下
移動后程序變成下面這個樣子
此時，自定義函數已經移到了通用函數庫中。于是，我們看到，優化后的程序更加簡單易懂，下面我們研究去除空行的問題。
按照以前的習慣，我們先對主程序進行下改造，改造后的主程序變成下面的模樣
上面紅線標注的這一行，就是我們新增加的內容。我們編寫了一個函數，名字叫做去除空行，詳細內容如下圖，下面我們研究一下這個函數
第四行，我們定義的這個函數以及傳入的參數
第五行，定義了回收內容的變量
第六行，用換行符把內容分割成列表
第七行，對列表內所有的行進行遍歷
第八行，對列表中的內容進行空格刪除，然后看看是不是為空，用這樣的方式判斷行內是否有內容。
第九行，對有內容的行進行回收。
第十行，返回結果
于是我們得到了完整的程序，如下圖
運行后的效果如下圖
于是我們看到，所有的空行沒有了。剩下的行都是有內容的行。
我平時的工作中，偶爾會用 Java 做一些解析HTML的工作。有的時候我需要刪除所有的HTML標簽，只保留純文字內容。這個問題在做過一些爬蟲工作的朋友來說很簡單。下面來說說，我們平時使用到的集中解析的方法。
通過爬蟲爬到的HTML內容，從程序角度來講，就是一個字符串。我們可以對其按照純文本處理的方式來處理。
我們在做文本處理的時候，第一個想到的就是正則表達式。從一個字符串中刪除HTML，對于正則來說，還是比較簡單的。畢竟還是有固定的格式，比如“<...>”。
我們常用的的正則就是 <[^>]> 或者 <.*?> 。
我們在使用正則的時候，需要注意的是正則默認是貪婪匹配。也就是說，正則表達式<.*> 能夠匹配到更多的HTML內容，而不是單個標簽。
現在，讓我們測試一下它是否能從HTML源中刪除標簽。
在我們測試刪除HTML標簽之前，首先讓我們創建一個HTML例子，例如example1.html。
<!DOCTYPE html>
<html>
<head>
<title>這是標題</title>
</head>
<body>
<p>
如果應用程序X沒有啟動，可能的原因是<br/>
1. <a href="https://maven.apache.org">Maven</a>沒有安裝<br/>
2. 磁盤空間不足<br/>
3. 內存不足
</p>
</body>
</html>
現在，讓我們寫一個測試，用String.replaceAll()來刪除HTML標簽。
String html = ... // load example1.html
String result = html.replaceAll("<[^>]`>", "");
System.out.println(result);
如果我們運行這個測試方法，我們會看到結果。
這是標題
如果應用程序X沒有啟動，可能的原因是
1.Maven沒有安裝
2.磁盤空間不足
3.沒有足夠的內存
輸出結果保留了剝離后的HTML的空白處。我們在處理提取的文本時，可以很容易地刪除或跳過這些空行或空白處。
我們剛才已經看到了，通過使用Regex來刪除HTML標簽是非常簡單。但是粗暴的使用這種方法會有很多問題，我們不能預測最終的結果會是怎么樣的。
例如，一個HTML文檔可能有<script>或<style>標簽，而我們可能不希望在結果中出現它們的內容。
此外，<script>、<style>、甚至是<body>標簽中的文本可能包含 <或 >字符。如果是這種情況，我們的正則方法可能會出錯。
現在，讓我們看看另一個例子，比如example2.html。
<!DOCTYPE HTML>
<html>
<head>
<title>這是標題</title>
</head>
<script>
// some js function
</script>
<body>
<p>
如果應用程序X沒有啟動，可能的原因是<br/>
1. <a
id="link"
href="http://maven.apache.org/">
Maven
</a> 沒有安裝<br/>
2. 磁盤空間不足 (<1G) <br/>
3. 內存不足(<64MB)<br/>
</p>
</body>
</html>
現在我們有一個<script>標簽和 <字符在<body>標簽內。
如果我們對example2.html使用同樣的方法，我們會得到如下內容。
這是標題
// some js function
如果應用程序X沒有啟動，可能的原因是
1.
Maven
沒有安裝
2. 磁盤空間不足 (
3. 內存不足(
顯然，由于"<"字符的存在，我們丟失了一些文本。所以正則在處理文本的時候并不是萬能的。我們可以使用一些 HTML 解析器來做這些比較復雜的場景。
Jsoup 是一個流行的HTML解析庫，如果想要從一個HTML文檔中提取文本，我們可以簡單地調用Jsoup.parse(htmlString).text()。
在項目中使用的時候，我們首先需要添加 jsoup 的依賴庫，我們這里就通過maven的方式引入。
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.14.3</version>
</dependency>
我們用 example2.html來測試一下。
String html = ... // load example2.html
System.out.println(Jsoup.parse(html).text());
如果我們讓這個方法運行，它就會打印出來。
這是標題 如果應用程序X沒有啟動，可能的原因是 1.Maven沒有安裝 2.沒有足夠的（<1G）磁盤空間 3.沒有足夠的（<64MB）內存
從輸出結果可知，Jsoup已經成功地從HTML文檔中提取了文本。另外，<script>元素中的文本已經被忽略了。
此外，默認情況下，Jsoup會刪除所有的文本格式和空白處，比如換行符。
HTMLCleaner 也是一個HTML解析庫。
首先，我們需要在pom.xml中添加HTMLCleaner 依賴。
<dependency>
<groupId>net.sourceforge.htmlcleaner</groupId>
<artifactId>htmlcleaner</artifactId>
<version>2.25</version>
</dependency>
我們可以設置[各種參數]（http://htmlcleaner.sourceforge.net/parameters.php）來控制HTMLCleaner的解析行為。我們在這里使用HTMLCleaner在解析example2.html時跳過<script>元素。
String html = ... // load example2.html
CleanerProperties props = new CleanerProperties();
props.setPruneTags("script");
String result = new HtmlCleaner(props).clean(html).getText().toString();
System.out.println(result);
運行一下，HTMLCleaner將產生這樣的輸出。
這是標題
如果應用程序X沒有啟動，可能的原因是：
1.Maven沒有安裝
2.沒有足夠的（<1G）磁盤空間
3.內存不足（<64MB）
我們可以看到，<script>元素中的內容被忽略了， <br/>標簽轉換為提取的文本中的換行符。另外， HTMLCleaner 保留了HTML的空白內容。
在這篇文章中，我們學習了幾種去除HTML的方法，我們需要注意的是，正則在文本處理的過程中并不是萬能的。
天在開發一個web應用時，需要在頁面上增加一個空行，但我又不希望增加多余的代碼，比如使用 來增加內容，也不希望使用<br />這樣多余的html無素，因此我直接使用了
<div>上面增加樣式來控制顯示的效果。
<style>
.p_5 {padding:5px}
.m_5 {margin:5px}
</style>
<div>A1</div>
<div class="p_5"></div>
<div class="m_5 "></div>
<div class="ta_c m_10 fs_14”>sss</div>
對于margin外邊距，如果DIV里面沒有東西，則外邊距，也不會起作用
對于padding內邊距，如果DIV里面沒有東西，則外邊距，也會起作用（增加了邊柜），在頁面上顯示出來
對于這種情況，估計原因是：
用padding時，因為對于這個div的box，增加了內邊距，使即使div里沒有無素也占用空間
而用margin時，因為對于這個div的box，增加外邊距，但這個div本身就沒有元素，因此它無法增加，應該可以這樣理解。
*請認真填寫需求信息，我們會在24小時內與您取得聯系。
