Java 如何去除HTML中不重要的空白

我必须比较不同版本的HTML页面的格式和文本更改。不幸的是，创建它们的人/公司使用某种HTML编辑器，每次都重新包装所有HTML（并添加大量空白），这使得区分它们变得很困难。因此，我正在寻找一种工具（最好是Java库），它可以重新格式化我的HTML，从而删除所有不重要的空格和换行符

也就是说，在

<h1>First Headline</h1> <h2>Second headline</h2>

第一个标题第二个标题

应删除

和

之间的空格，但以

<b>formatted</b> <i>text</i>

格式化文本

不能删除空白。我不关心

，

或

块，也不关心可以改变行为的CSS空白属性-我只是在寻找一种解决方案，去除大部分不必要的空白（最好留下太多的空白，而不是太少）

---

（我已经在折叠多个空格，并在标记前重新添加换行符，而不是空格，以使文本更具可读性-但仍有太多情况下，例如标题或表格单元格/行之间的新换行符会破坏我的简单“解决方案”。

可能在这里有用。它是一个HTML解析器，它解析HTML（并容忍不正确的HTML），并将HTML呈现为DOM，并且可以重写该文本以移除任何您不感兴趣的内容。

< P>如果仅用于内部使用，那么考虑使用转换器到XHTML，然后规范XML。这样比较结果就容易多了

Tidy：（输出xhtml选项-）

---

规范化：

它是符合DOM的干净HTML吗？在这种情况下，您有更多的选择。这远远不符合要求。不知道使用了哪个（wysiwyg）工具来创建和编辑文件，但是HTML非常糟糕（多个头部/身体标签，大量缺失等等）。不要忘记这样的东西。。。