ReplaceAll + Regex zum cleanen von HTML

[Andyx1975]

Hallo,

ich möchte HTML Tags bereiningen hierzu muss ich eine Methode schreiben, die bestimmte Inhalte aus Tags entfernt. Ein Bsp ist:


<p class="MsoNormal" style="margin: 0cm 0cm 0pt; text-align: justify; mso-layout-grid-align: none;">


hier will ich folgendes entfernen:
- class="MsoNormal"
- style="margin: 0cm 0cm 0pt; text-align: justify; mso-layout-grid-align: none;"

Es soll also nur noch <p> übrig bleiben.

Hierzu bin ich wie folgt vorgegeben:

public void checkHTML(String txt) 
{
		System.out.println("Original text: " + txt);
		txt.replaceAll("style=\"*?\"", "");
		txt.replaceAll("class=\"*?\"", "");		
                System.out.println("Replaced text: " + txt);
}

Leider passiert nichts...hat hier jemand eine Idee? Danke******

 

[Tim Bureck]

Hi,

Vor dem Quantifier *? steht das Zeichen ", dort müsste wahrscheinlich ein . hin.

Best regards

 

[Andyx1975]

Hallo,

danke für dein Feedback...habe es jetzt wie folgt probiert:

txt.replaceAll("style=.*?\"", " ");
txt.replaceAll("class=.*?\"", " ");

und

txt.replaceAll("style=".*?\"", " ");
txt.replaceAll("class=".*?\"", " ");

beide Varianten haben nicht funktioniert. Was könnte es noch sein?

 

[HonniCilest]

txt = txt.replaceAll(s1,s2);

 

[Andyx1975]

hallo honniCilest....danke für den Hinweis...das hat jetzt auch schonmal funktioniert. Leider funktionieren die Regex Ausdrücke noch nicht...es kürz wie folgt ab:

Ursprung:
<p class="MsoNormal" style="margin: 0cm 0cm 0pt; text-align: justify; mso-layout-grid-align: none;">

Ergebnis:
<p MsoNormal" style="margin: 0cm 0cm 0pt; text-align: justify; mso-layout-grid-align: none;">

Es wird also nur class=" entfernt...weiss hier noch jemand rat?

Danke
Andy

 

[HonniCilest]

Wenn ich mich nicht irre, so müsste dein regex so aussehen (du brauchst auch nur eine Zeile):

txt = txt.replaceAll("(style|class)=\".*?\""," ");

 

[Andyx1975]

Leider war das noch nicht ganz richtig...aber danke du hast mir schon sehr viel weiter geholfen. Mit dem folgenden Regex bekomme ich das folgende Ergebnis:


Regex:
txt = txt.replaceAll("(?:class|style|[ovwxp]:\\w+)=\".*?\"","");

Ergebnis
<p >

Jetzt muss ich nur noch die zwei Leerzeichen vor dem "<" weg bekommen.

 

[HonniCilest]

Jetzt muss ich nur noch die zwei Leerzeichen vor dem "<" weg bekommen.

Setz doch einfach das Leerzeichen mit in deinen regulären Ausdruck

 

[Andyx1975]

du weisst nicht zufällig wie ich den folgenden ausdruck erweitern muss, damit er das Leerzeichen mit entfernt...ich hab da schon einige kombis ausprobiert. Dann funktioniert der Regex nur nicht mehr.

 

[HonniCilest]

du weisst nicht zufällig wie ich den folgenden ausdruck erweitern muss, damit er das Leerzeichen mit entfernt...ich hab da schon einige kombis ausprobiert. Dann funktioniert der Regex nur nicht mehr.

txt = txt.replaceAll("LEERZEICHEN(?:class|style|[ovwxp]:\\w+)=\".*?\"","");

Da, ein einfaches Leerzeichen eingeben, ich hab' es nur ausgeschrieben, damit man es genau sieht
Ansonsten hast du noch folgende Möglichkeit:

\s : whitespace meistens das Leerzeichen und die Klasse der Steuerzeichen \f, \n, \r, \t und \v

Hier musst du allerdings \\s statt \s schreiben bei Java...