Traitement HTML en Java: Convertir le HTML en d'autres formats

Question

D'accord, il y a de nombreux analyseurs HTML/XML pour Java. Ce que je veux faire va un peu plus loin que simplement savoir comment l'analyser. Je veux filtrer le contenu et le mettre sous une forme adaptée.

Plus précisément, je veux conserver uniquement le texte et les images. Cependant, je veux aussi préserver une partie de la mise en forme du texte, comme : italique, gras, alignement, etc.

Tout cela est parce que j'essaie de mettre en place un convertisseur qui convertit du html vers un format spécifique que j'ai créé moi-même pour mes propres besoins.

Des idées ? Certainement, cela a déjà dû être fait de nombreuses fois auparavant.

Answer 1

Si votre intention est de nettoyer le contenu soumis par l'utilisateur contre une liste blanche sécurisée pour prévenir les attaques XSS, alors je vous suggère d'utiliser Jsoup pour cela. Il fournit une liste blanche intégrée. C'est aussi simple que :

String safeHtml = Jsoup.clean(unsafeHtml, Whitelist.basicWithImages());

Vous pouvez personnaliser la Whitelist comme décrit dans son javadoc.

Voir aussi :

• Avantages et inconvénients des analyseurs HTML en Java

Answer 2

JTidy + XSLT?

Answer 3

Jetez un coup d'œil à HTML Parser, cela pourrait être utile.

Answer 4

O.K. Je pense l'avoir trouvé : lors de l'analyse de l'Element, je peux construire une javax.swing.text.html.InlineView, c'est-à-dire InlineElement ie = new InlineView(element) et ensuite obtenir les attributs comme ie.getAttributes.

D'accord. Si vous pouviez aider davantage, c'est-à-dire partager une expérience de première main, s'il vous plaît!

Answer 5

Vous pouvez utiliser un analyseur de DOM XML sous les packages org.w3c.dom et javax.xml, avec cela vous pouvez facilement analyser le document et obtenir le contenu du nœud

 Document doc = DocumentBuilder.parse(file);

puis obtenir les éléments en utilisant

NodeList nl = doc.getElementsByTagName("p"); // pour les balises de paragraphe

puis obtenir le contenu de la liste de nœuds, cela vous donnera tout le contenu dans la balise de paragraphe, de la même manière vous pouvez le faire pour n'importe quelle balise