如何用Java缩写HTML？

用户在表单中以HTML形式输入文本，例如：

<p>this is my <strong>blog</strong> post, 
very <i>long</i> and written in <b>HTML</b></p>

---

因为这不是很容易做到正确，我通常剥离所有标签和截断。这可以很好地控制文本大小和外观，通常需要将其放置在需要控制的位置

请注意，您可能会发现我的建议非常保守，实际上并不是对您问题的正确答案。但大多数情况下，替代方案是：

• 去掉所有标签并截断
• 提供另一个内容可管理的富文本，该富文本将用作截断文本。当然，这仅适用于CMSE等情况

截断HTML很困难的原因是，您不知道截断将如何影响HTML的结构。在一个<代码> > UL> <代码>中，或者甚至是最坏的情况下，如何在复杂的<代码> ？

中截断？

---

所以这里的问题是HTML不仅可以包含内容和样式（粗体、斜体），还可以包含结构（列表、表格、div等）。因此，一个好且安全的实现是将所有内联“样式化”标记（粗体、斜体等）分离并截断，同时跟踪未关闭的标记。

我不知道任何库，但它应该不会如此复杂（对于80%）。 您只需要一个简单的“解析器”，它可以理解4种类型的令牌：

• 开始标记-所有以

  结尾的标记

• 结束标记-所有以
  结束的标记
• 自动关闭标签（如
  ）-所有以
  开头但不是code//code，以code//code但不是code>结尾的标签
• 普通字符-所有不是其他类型的字符

然后，您必须遍历输入字符串，并计算“普通字符”。当您沿着字符串进行计数时，只要计数的正常字符小于或等于您想要的数量，就可以将每个令牌复制到输出

在处理输入时，还需要构建当前打开标记的堆栈。每次遍历“开始标记”时，您都会将其放入堆栈（其名称），每次找到结束标记时，您都会从堆栈中删除最上面的标记名称（希望输入的是正确的XHTML）

当达到所需的正常字符数时，只需为堆栈上剩余的标记名编写结束HTML标记

但要小心，这只适用于格式良好的XML输入

---

我不知道你想用这段代码做什么，但你应该注意HTML/JavaScript注入攻击。

如果你真的想缩写HTML，那么就直接做（按所需长度剪切文本），将简短的结果传递给大家，并希望得到最好的结果。

这项常见任务有很多LIB和工具：

• 从（雅加达Taglibs已退休）
• 来自（Marnix van Bochove在评论中提到了allready。）

---

在某些情况下，如HTML表从字符串的一部分开始，或脚本元素或字符串开始，您希望看到什么？请查看此类的HtmlString方法：确实，HTML结构需要保留，这就是问题所在。您的答案很好，但我希望避免使用JavaCC或类似的工具来保持项目的简单。有人知道图书馆会这么做吗？我没提到JavaCC。只需将HTML展平并缩写为纯文本即可。否则，提供一个单独的RTE，CM将在其中键入缩写的rich text.mmm。这是一个想法：）让我们阅读用户条目，模拟重新写入，保持标记处于动态状态，然后关闭所有打开的内容。我要试试看。保持联系。终于手动完成了。使用XML解析器解析HTML，手动计算getText（）元素中的单词数，当单词数为node时，将下一个文本实体设置为空，然后递归删除所有空标记。是的，你是对的。我更喜欢使用强大的库来实现这一点。我们可以使用XML解析器，但我会避免这种情况，因为我的客户能够在他们的输入字段中放入格式错误的XHTML。也许使用像JavaCC这样的lex/yacc分析器就可以做到这一点，但这对于我们产品中的«small»功能来说是额外的工作；tidy.setXHTML（true）；try（ByteArrayInputStream bais=newbytearrayinputstream（StringUtils.缩写（strContents，200）.getBytes（“ISO-8859-1”））{try（ByteArrayOutputStream bas=newbytearrayoutputstream（））{tidy.parse（bais，bas）；返回新字符串（bas.toByteArray（），“ISO-8859-1”）} }

<p>this is my <strong>blog</strong> post, very <i>l</i>...</p>

this is my <strong>blog</strong> post, very <i>lo</i>...

MyLibrary.abbreviateHTML(string,20) ?