java在读取源代码时中断长HTML行

Question

我正在用Java提取HTML源代码

DefaultHttpClient client = new DefaultHttpClient();
HttpGet httpGet = new HttpGet(url);
HttpResponse response = client.execute(httpGet); 
if (response.getStatusLine().getStatusCode() == 200) 
{ 
sourcepage = EntityUtils.toString(response.getEntity(), "UTF-8"); 
} 
client.getConnectionManager().shutdown();

这段代码是我代码的基线，我将在HTML代码的每一行上执行不同的函数。但是，有些代码行太长。例如，一行的长度是49966，这会在运行代码时产生一些计算成本问题。我想知道在阅读HTML源代码时是否有可能中断HTML行（如果其长度大于阈值）

这也是我逐行阅读代码的方式：

String[] each_line = sourcepage.split("\r?\n");    

Answer 1

这在一定程度上取决于你以后想对HTML做什么。如果您只想阅读它，那么可以在每个以/>结尾的HTML元素后面添加一个换行符（即content.replace("/>", "/>\n")），此外，您还可以对</[^>]+>进行regexp搜索，并在每个匹配之后添加一个换行符

这将很好地打破HTML。注意：通常，regexp不是处理HTML的正确工具。但在这种特殊情况下，这就足够了

另一个选项是将JTidy作为依赖项添加到代码中。它有美化HTML的代码格式化程序