[JAVA] Modifica file di testo

DarkSiDE · 06-08-2006, 16:01

Salve,
ho un quesito relativamente semplice da porvi. Ho in input un file, solitamente html, devo rimuovere determinate righe, delle quali non conosco il numero ma solo che contengono determinati tag. Mi spiego meglio: solitamente in una pagina html si trova ad es. html+javascript, devo rimuovere le righe contententi codice js tra tag <script></script>. Come posso fare?

grazie

andbin · 06-08-2006, 16:11

Quote:

Originariamente inviato da DarkSiDE

Salve,
ho un quesito relativamente semplice da porvi. Ho in input un file, solitamente html, devo rimuovere determinate righe, delle quali non conosco il numero ma solo che contengono determinati tag. Mi spiego meglio: solitamente in una pagina html si trova ad es. html+javascript, devo rimuovere le righe contententi codice js tra tag <script></script>. Come posso fare?

Una idea potrebbe essere questa: leggi il file riga x riga. Per ogni riga, cerchi la sottostringa "<script>". Se la trovi, attivi un flag. Se il flag è attivo, cerchi in ogni riga anche la sottostringa "</script>" e se la trovi azzeri il flag.
Tutto quello che trovi quando il flag è attivo, lo ignori. Il resto lo scrivi dove ti serve (es. su un altro file).
Spero di essermi spiegato a parole. Non dovrebbe essere difficile da codificare.

sottovento · 06-08-2006, 17:05

Un'altra idea potrebbe essere quella di caricare tutto il file in una stringa, per esempio di nome testo e poi scrivere

testo = testo.replaceAll ("<script>.*<\\/script>", "");

In testo avrai il codice senza i tag in questione.

High Flying
Sottovento

DarkSiDE · 09-08-2006, 15:27

Quote:

Originariamente inviato da sottovento

Un'altra idea potrebbe essere quella di caricare tutto il file in una stringa, per esempio di nome testo e poi scrivere

testo = testo.replaceAll ("<script>.*<\\/script>", "");

In testo avrai il codice senza i tag in questione.

High Flying
Sottovento

grazie mille ad entrambi

ho parzialmente risolto usando replace, se non fosse che dà problemi..

es:

<SCRIPT>
<!--
function MM_swapImgRestore() { //v3.0
var i,x,a=document.MM_sr; for(i=0;a&&i<a.length&&(x=a[i])&&x.oSrc;i++) x.src=x.oSrc;
}
</SCRIPT>

testo = testo.replaceAll ("<SCRIPT>.*<\\/SCRIPT>", "");

non funziona..

loris_p · 10-08-2006, 04:06

io quoto al 100% la soluzione di andbin, molto C-style

Mixmar · 10-08-2006, 21:17

Mi permetto di suggerire una variante: se il file di testo è xhtml potresti semplicemente utilizzare un parser con un apposito file xsl per trasformare il sorgente con gli script in un nuovo file senza script.

Però non so se questo sia il tuo caso.

loris_p · 10-08-2006, 21:22

bella anche questa soluzione..

però non dimentichiamo che XSL (eXtesible Style Language) sarebbe nato per applicare stili a pagine Xml o XHtml.. che poi sia un linguaggio potentissmo è vero, però ci si scosta un po' dalla natura del linguaggio..
un'altra cosetta..se lo conosce, benissimo, altrimenti forse non è proprio il linguaggio più facile da imparare così in quattro e qattr'otto

spero che almeno gli piaccia la ricorsione..

DarkSiDE · 11-08-2006, 12:45

Quote:

Originariamente inviato da DarkSiDE

grazie mille ad entrambi

ho parzialmente risolto usando replace, se non fosse che dà problemi..

es:

<SCRIPT>
<!--
function MM_swapImgRestore() { //v3.0
var i,x,a=document.MM_sr; for(i=0;a&&i<a.length&&(x=a[i])&&x.oSrc;i++) x.src=x.oSrc;
}
</SCRIPT>

testo = testo.replaceAll ("<SCRIPT>.*<\\/SCRIPT>", "");

non funziona..

nessuno?
grazie per i consigli ma se riuscissi a far funzionare replace all sarebbe sicuramente molto più comodo e sicuro

andbin · 11-08-2006, 13:57

Quote:

Originariamente inviato da DarkSiDE

se riuscissi a far funzionare replace all sarebbe sicuramente molto più comodo e sicuro

Questo è un esempio:

Codice:

import java.util.regex.*;

public class Prova
{
    public static void main (String[] args)
    {
        try
        {
            String page = "<html>\r\n" +
                          "<head>\r\n" +
                          "<title>Prova</title>\r\n" +
                          "<script type=\"text/javascript\">\r\n" +
                          "<!--\r\n" +
                          "alert (\"Ciao\");\r\n" +
                          "//-->\r\n" +
                          "</script>\r\n" +
                          "</head>\r\n" +
                          "<body>\r\n" +
                          "\r\n" +
                          "<h1>Ciao</h1>\r\n" +
                          "<SCRIPT TYPE=\"text/javascript\">\r\n" +
                          "</SCRIPT>\r\n" +
                          "\r\n" +
                          "</body>\r\n" +
                          "</html>";


            Pattern pattern = Pattern.compile ("<script.*?</script>(\r\n)?", Pattern.DOTALL | Pattern.CASE_INSENSITIVE);

            Matcher matcher = pattern.matcher (page);
            String output = matcher.replaceAll ("");

            System.out.println (output);
        }
        catch (Exception e)
        {
            e.printStackTrace ();
        }
    }
}

DarkSiDE · 11-08-2006, 15:52

Quote:

Originariamente inviato da andbin

Questo è un esempio:
[cut]

Avevo pensato a mettere tutto su una riga e mettere un marcatore alla fine di ogni riga, rimuovere gli script e sostituire il marcatore con un a capo, poco elegante ma funzionale.

Sicuramente di gran lunga migliore la tua soluzione..perchè mi hai inizialmente consigliato di scrivere manualmente il codice? nondovrebbe essere più efficiente l'ultima soluzione proposta?

grazie mille, davvero.

andbin · 11-08-2006, 16:49

Quote:

Originariamente inviato da DarkSiDE

Avevo pensato a mettere tutto su una riga e mettere un marcatore alla fine di ogni riga, rimuovere gli script e sostituire il marcatore con un a capo, poco elegante ma funzionale.

Sì, ho capito quello che pensavi di fare. Prima togli i CR/LF (e li fai diventare, che so, <EOL>), poi fai le sostituzioni che vuoi e alla fine rimetti "a posto" i CR/LF. Sicuramente fattibile ma a mio avviso un pochino macchinoso.

Quote:

Originariamente inviato da DarkSiDE

Sicuramente di gran lunga migliore la tua soluzione..perchè mi hai inizialmente consigliato di scrivere manualmente il codice? nondovrebbe essere più efficiente l'ultima soluzione proposta?

Utilizzando il metodo come nel mio esempio, devi avere tutta la pagina caricata in una stringa. Quindi è esclusivamente una questione di occupazione di memoria e di gestione delle stringhe.
Facendo invece come avevo detto all'inizio, è vero che sarebbe stato un pochino più complesso analizzare ogni riga per trovare i vari delimitatori, ma così non occupavi troppa memoria.

Insomma ... è una cosa da valutare. Se ti piace l'esempio che ho appena fatto, in linea di massima dovrebbe andarti bene (se non devi gestire pagine molto grosse).
Dovresti solo leggere il file a blocchi di tot caratteri e metterli direttamente in uno StringBuffer (per motivi di prestazioni). Poi alla fine ottieni una String su cui operare.

DarkSiDE · 12-08-2006, 14:22

Quote:

Originariamente inviato da andbin

[cut]
Dovresti solo leggere il file a blocchi di tot caratteri e metterli direttamente in uno StringBuffer (per motivi di prestazioni). Poi alla fine ottieni una String su cui operare.

Rimango dell'idea di utilizzare il tuo codice poichè credo che scrivere un algoritmo sia una soluzione 'meno affidabile'.
Per quanto riguarda la stringa che conterrà il codice, vale la pena utilizzare una StringBuffer sapendo che utilizzerò SOLO l'append per copiare le singole righe?

andbin · 12-08-2006, 17:11

Quote:

Originariamente inviato da DarkSiDE

vale la pena utilizzare una StringBuffer sapendo che utilizzerò SOLO l'append per copiare le singole righe?

Sì, perché facendo stringa = stringa + linea; viene creato un nuovo oggetto String ogni volta! Mentre invece utilizzando un StringBuffer, hai un solo oggetto (il cui buffer interno si espande in modo "intelligente").

Anzi, ti dico di più: non dovresti nemmeno leggere riga per riga (ad esempio con readLine() della classe BufferedReader) perché così perderesti i fine riga. È molto meglio leggere a blocchi di char che, tra l'altro, è anche più performante!!

Codice:

BufferedReader br = ......;

char[] cbuf = new char[1024];

....

int len = br.read (cbuf, 0, cbuf.length);   // ripetuto in loop, ovviamente
....

DarkSiDE · 12-08-2006, 19:49

Quote:

Originariamente inviato da andbin

Sì, perché facendo stringa = stringa + linea; viene creato un nuovo oggetto String ogni volta! Mentre invece utilizzando un StringBuffer, hai un solo oggetto (il cui buffer interno si espande in modo "intelligente").

Anzi, ti dico di più: non dovresti nemmeno leggere riga per riga (ad esempio con readLine() della classe BufferedReader) perché così perderesti i fine riga. È molto meglio leggere a blocchi di char che, tra l'altro, è anche più performante!!

Codice:

BufferedReader br = ......;

char[] cbuf = new char[1024];

....

int len = br.read (cbuf, 0, cbuf.length);   // ripetuto in loop, ovviamente
....

Codice:

char[] cbuf = new char[1024];
StringBuffer testo=new StringBuffer();
			
while(br.read (cbuf, 0, cbuf.length)!=-1) {				
				br.read (cbuf, 0, cbuf.length);
				testo.append(cbuf);
			}
br.close();

avevo pensato a qualcosa del genere ma non ho idea di come posso utilizzare a mò di stringa l'array di caratteri

andbin · 13-08-2006, 08:30

Quote:

Originariamente inviato da DarkSiDE

avevo pensato a qualcosa del genere ma non ho idea di come posso utilizzare a mò di stringa l'array di caratteri

Molto semplice. Al posto di BufferedReader si può anche usare, ho visto adesso, un InputStreamReader.

Codice:

FileInputStream fis = new FileInputStream ("nomefile");
InputStreamReader isr = new InputStreamReader (fis);

int len;

char[] chbuf = new char[1024];
StringBuffer strbuf = new StringBuffer ();

do {
    len = isr.read (chbuf, 0, chbuf.length);

    if (len > 0) {
        strbuf.append (chbuf, 0, len);
    }
} while (len > 0);

06-08-2006, 16:01	#1
DarkSiDE Senior Member Iscritto dal: Dec 2001 Città: Lecce Messaggi: 3936	[JAVA] Modifica file di testo Salve, ho un quesito relativamente semplice da porvi. Ho in input un file, solitamente html, devo rimuovere determinate righe, delle quali non conosco il numero ma solo che contengono determinati tag. Mi spiego meglio: solitamente in una pagina html si trova ad es. html+javascript, devo rimuovere le righe contententi codice js tra tag <script></script>. Come posso fare? grazie __________________ Non farò mai più affari con khalhell, 4HwGenXX.

06-08-2006, 17:05	#3
sottovento Senior Member Iscritto dal: Nov 2005 Città: Texas Messaggi: 1722	Un'altra idea potrebbe essere quella di caricare tutto il file in una stringa, per esempio di nome testo e poi scrivere testo = testo.replaceAll ("<script>.*<\\/script>", ""); In testo avrai il codice senza i tag in questione. High Flying Sottovento __________________ In God we trust; all others bring data

10-08-2006, 21:17	#6
Mixmar Senior Member Iscritto dal: Feb 2002 Città: Trento Messaggi: 962	Mi permetto di suggerire una variante: se il file di testo è xhtml potresti semplicemente utilizzare un parser con un apposito file xsl per trasformare il sorgente con gli script in un nuovo file senza script. Però non so se questo sia il tuo caso. __________________ "Et Eärallo Endorenna utúlien. Sinome maruvan ar Hildinyar tenn' Ambar-metta!" -- Aragorn Elessar, Heir of Isildur Mixmar -- OpenSuSE 11.1 on AMD 64 3000+ on DFI LanParty nF4-D \| GeForce 6600 GT + Thermaltake Schooner on Samsung 710N Storage -- ( 2 x Hitachi Deskstar 80 Gb + 1 x Hitachi 250 Gb ) = 1 RAID 5 + 1 Storage space LaCie Ethernet Disk Mini 250 Gb \| HP - DV2150 EL MILAN CLAN

10-08-2006, 04:06	#5
loris_p Senior Member Iscritto dal: Aug 2006 Messaggi: 365	io quoto al 100% la soluzione di andbin, molto C-style

10-08-2006, 21:22	#7
loris_p Senior Member Iscritto dal: Aug 2006 Messaggi: 365	bella anche questa soluzione.. però non dimentichiamo che XSL (eXtesible Style Language) sarebbe nato per applicare stili a pagine Xml o XHtml.. che poi sia un linguaggio potentissmo è vero, però ci si scosta un po' dalla natura del linguaggio.. un'altra cosetta..se lo conosce, benissimo, altrimenti forse non è proprio il linguaggio più facile da imparare così in quattro e qattr'otto spero che almeno gli piaccia la ricorsione..

Strumenti
Mostra una versione stampabile Invia questa pagina per email