Problema con la eliminación de contenidos entre etiquetas

[Fuzzylog]

Hola a todos

Hacía mucho tiempo que no iniciaba un post aquí, pero hoy necesito vuestra ayuda.

Resulta que tengo que filtrar unas etiquetas muy concretas de un código html y sus contenidos.
Para ello estoy usando un replaceAll con una expresión regular.

El problema se produce cuando existen varias etiquetas de ese tipo en un texto, ya que se elimina todo el contenido entre la apertura de la primera etiqueta y el cierre de la última, y no quiero que ocurra eso, ya que ese contenido debe permanecer.

Os dejo un ejemplo sencillo:

public class HelloWorld{

public static void main(String []args){
String text = "<blockquote class='derecho'>texto derecha</blockquote><p>Texto intermedio</p><blockquote class='izquierdo'>texto izquierda</blockquote><div>Texto final</div>";
text = text.replaceAll("<blockquote[^>]*>(?s).*(?s)</blockquote>","");
System.out.println(text);
}
}

Podeis ejecutarlo en: http://www.tutorialspoint.com/compile_java_online.php

Un saludo

[Xerelo]

Yo una vez tuve el mismo problema, y llegué a la conclusión de que debido al funcionamiento de las regex (empiezan el análisis de derecha a izquierda), la pedazo de regex que tendría que hacer sería incomprensible en el improbable caso de que consiguiese hacerla.

Así que te propongo lo que hicimos nosotros, puede ser menos eficiente pero es más entendible y sencilla de debuggear. Hay que usar Matcher (group), recursividad y StringBuilder.

Con el matcher buscas la etiqueta que te interesa (inicio y fin), luego compruebas que dentro de ese trozo no está la etiqueta y puedes sustituir sin peligro. En el caso de que esté la etiqueta, tienes que diferenciar el caso de que estén anidadas o no, para escoger el trozo literal que vas a sustituir. El StringBuilder es para ir sacando una copia modificada del texto, porque buscar y modificar al mismo tiempo no es recomendable.

No quiero entrar más en detalle porque igual me lío o te lío a ti, pero buscaré el código por si acaso lo necesitas.

[Profesor_Falken]

Buenas,

Te recomiendo que para ello utilices jSoup: http://jsoup.org/

La curva de aprendizaje es mínima y te permite hacer eso fácilmente sin tener que liarte con expresiones regulares.

Tu ejemplo se puede hacer facilmente:

Código Java:

Document doc = Jsoup.parse(text);
//Eliminar todos los blockquote del documento
for(Element element : doc.select("blockquote") )
{
    element.remove();
}
 

O bien:

Código Java:

Document doc = Jsoup.parse(text);
//Eliminar solo el primero
doc.select("blockquote").first().remove();
 

NOTA: si te interesa más seguir con expresiones regulares, aquí discutimos bastante ya de un tema similar: http://www.forosdelweb.com/f45/conse...s-web-1122898/

Un saludo

[Fuzzylog]

¿Con jsoup es posible eliminar un tag y su contenido para algún tag concreto? es decir en el caso de los blockquote imagínate que quiero eliminar sólo el class="derecho".

[Profesor_Falken]

Código Java:

doc.select("blockquote.derecho").first().remove();
 

http://jsoup.org/cookbook/extracting...elector-syntax


Un saludo

[Fuzzylog]

Es que puedo tener varios <span></span> con ids diferentes y sólo es común la primera parte del id, y ahí ando un poco perdido. No hay posibilidad de añadirles un class, los genera una aplicación externa.

¿Igual debería usar ahí una regexp dentro de JSOUP con un pseudo selector?

[Profesor_Falken]

Buenas,

Da la sensacion de que tus requerimientos se amplian en cada post que escribes.

Si hubieses leido el link sobre los selectores que te he puesto, habrias visto esto casi al principio:

[attr~=regex]: elements with attribute values that match the regular expression; e.g. img[src~=(?i)\.(png|jpe?g)]

Código Java:

doc.select("span[id~=TUREGEX])
 

Un saludo

[Fuzzylog]

Muchas gracias, a decir verdad estuve a punto de usar otro selector

Lo que me estaba fastidiando ahora es que al hacer el parse a un fragmento de html se le añaden los tags del html completo, pero ya lo he solucionado llamando al body().html() antes de hacer el toString().

Un saludo.

[Fuzzylog]

Er, ¿jugamos una partidita?

[Profesor_Falken]

¿Qué tal una agradable partida de ajedrez?