最近项目中有一个功能需要读取外部html文本文件。但是有的html文件里面有大量的
注释，需要删除其中的注释在存储。其实删除html文本中的注释有很多方法，这里就自己随便写了一个
处理方法，权当笔记，有需要的同学可以参考。
html文本的注释有几个特点：
1. 成对出现，有开始就一定有结束。
2. 注释标签没有嵌套，注释开始标签（以下称为 <!--）下一个一定是其对应的结束标签（以下称为 -->）。
3. 一行中可能有多个注释标签对儿。
4. 注释也可以换行。
大致有以下几种情况：
class="html" name="code">
<html>
<!--This is a head-->
<head>A Head</head>
<!--This is
a div -->
<div>A Div</div>
<!--This is
a span--><!--span in
a div--><div>a div</div>
<div><span>A span</span><div>
<!--This is a
span--><div>A div</div><!--span in a div-->
<div><span>A span</span><div>
<html>
思路：
1. 每次读取一行文本。
2. 如果该行中只包含<!-- 与 -->，并且<!-- 在 --> 之前。直接删除两标签之间的注释内容，获取其他内容。
3. 如果该行中只包含<!-- 与 -->，但是<!-- 在 --> 之后。获取两个标签之间的内容，并且标注已遇到<!--标签。
4. 如果该行中只包含<!--，获取标签前面的内容，并且标注已遇到<!--标签。
5. 如果该行中只包含-->，获取标签后面的内容，并且标注已遇到 --> 标签。
6. 对该行剩下的内容再执行2,3,4,5步骤。
7. 保存剩下的内容。
8. 读取下一行。
直接上代码：
public class HtmlCommentHandler {
/**
* html内容中注释的Detector
*
* @author boyce
* @version 2013-12-3
*/
private static class HtmlCommentDetector {
private static final String COMMENT_START = "<!--";
private static final String COMMENT_END = "-->";
// 该字符串是否是html注释行，包含注释的开始标签且结束标签"<!-- -->"
private static boolean isCommentLine(String line) {
return containsCommentStartTag(line) && containsCommentEndTag(line)
&& line.indexOf(COMMENT_START) < line.indexOf(COMMENT_END);
}
// 是否包含注释的开始标签
private static boolean containsCommentStartTag(String line) {
return StringUtils.isNotEmpty(line) &&
line.indexOf(COMMENT_START) != -1;
}
// 是否包含注释的结束标签
private static boolean containsCommentEndTag(String line) {
return StringUtils.isNotEmpty(line) &&
line.indexOf(COMMENT_END) != -1;
}
/**
* 删除该行中的注释部分
*/
private static String deleteCommentInLine(String line) {
while (isCommentLine(line)) {
int start = line.indexOf(COMMENT_START) + COMMENT_START.length();
int end = line.indexOf(COMMENT_END);
line = line.substring(start, end);
}
return line;
}
// 获取开始注释符号之前的内容
private static String getBeforeCommentContent(String line) {
if (!containsCommentStartTag(line))
return line;
return line.substring(0, line.indexOf(COMMENT_START));
}
// 获取结束注释行之后的内容
private static String getAfterCommentContent(String line) {
if (!containsCommentEndTag(line))
return line;
return line.substring(line.indexOf(COMMENT_END) + COMMENT_END.length());
}
}
/**
* 读取html内容，去掉注释
*/
public static String readHtmlContentWithoutComment(BufferedReader reader) throws IOException {
StringBuilder builder = new StringBuilder();
String line = null;
// 当前行是否在注释中
boolean inComment = false;
while (ObjectUtils.isNotNull(line = reader.readLine())) {
// 如果包含注释标签
while (HtmlCommentDetector.containsCommentStartTag(line) ||
HtmlCommentDetector.containsCommentEndTag(line)) {
// 将成对出现的注释标签之间的内容删除
// <!-- comment -->
if (HtmlCommentDetector.isCommentLine(line)) {
line = HtmlCommentDetector.deleteCommentInLine(line);
}
// 如果不是注释行，但是依然存在开始标签和结束标签，结束标签一定在开始标签之前
// xxx -->content<!--
else if (HtmlCommentDetector.containsCommentStartTag(line) && HtmlCommentDetector.containsCommentEndTag(line)) {
// 获取结束标签之后，开始标签之前的文本，并且将 inComment设置为true
line = HtmlCommentDetector.getAfterCommentContent(line);
line = HtmlCommentDetector.getBeforeCommentContent(line);
inComment = true;
}
// 如果只存在开始标签，因为注释标签不支持嵌套，只有开始标签的行一定不会inComment
// content <!--
else if (!inComment && HtmlCommentDetector.containsCommentStartTag(line)) {
// 将 inComment 设置为true。获取开始标签之前的内容
inComment = true;
line = HtmlCommentDetector.getBeforeCommentContent(line);
}
// 如果只存在结束标签，因为注释标签不支持嵌套，只有结束标签的行一定inComment
// -->content
else if (inComment && HtmlCommentDetector.containsCommentEndTag(line)) {
// 将 inComment 设置为false。获取结束标签之后的内容
inComment = false;
line = HtmlCommentDetector.getAfterCommentContent(line);
}
// 保存该行非注释的内容
if (StringUtils.isNotEmpty(line))
builder.append(line);
}
// 保存该行不存在任何注释标签的并且inComment = false的行
if (StringUtils.isNotEmpty(line) && !inComment)
builder.append(line);
}
return builder.toString();
}
}
当然，还有其他很多的方法，也可以通过
正则匹配删除，也可以通过Stack标记开始结束。
等等，以上代码经过测试使用，希望对有需要的同学有用。
相关文章
