leerstellen entfernen

[cuaro]

hi zusammen..

das ganze ist doch ein bischen komplizierter, als einfach "nur" leerstellen zu entfernen

Ich habe eine Datei mit tausenden von Texten im HTML-Format..
hier ein beispiel:
"TEXT1&nbsp;&nbsp;&nbsp;<br/>&nbsp;&nbsp;TEXT2&nbsp;TEXT3&nbsp;TEXT4&nbsp;&nbsp;&nbsp;&nbsp;<br/>"

Jetzt würde ich gerne die Sätze einlesen und alle "&nbsp"'s löschen, die unmittelbar vor "<br/>" stehen..

Also würde mein Beispiel-Satz nach durchlaufen der Methode so aussehen:
"TEXT1<br/>&nbsp;&nbsp;TEXT2&nbsp;TEXT3&nbsp;TEXT4<br/>"

Die Frage ist, wie ich in Java "&nbsp"'s anspreche und wie ich das hinbekomme, dass nur die vor "<br/>" gekillt werden? Also sprich führende und zwischenliegende "&nbsp"'s sollten erhalten bleiben!

Kann mir da jemand bitte einen Tip geben?

DANKE schonmal im voraus und Beste Grüße

 

[Niki]

sowas in der Art?

//EDIT noch kleine Fehler ausgebessert

        String text = "TEXT1&nbsp;&nbsp;&nbsp;<br/>&nbsp;&nbsp;TEXT2&nbsp;TEXT3&nbsp;TEXT4&nbsp;&nbsp;&nbsp;&nbsp;<br/>";
        String[] sArr = text.split("<br/>");
        StringBuilder sb = new StringBuilder();        

        for(String sTmp : sArr)
           sb.append(removeNBsp(sTmp)).append("<br/>");     

        System.out.println(sb.toString());

private static String removeNBsp(String s){
        while(s.endsWith(" ")){
            s = s.substring(0, s.length() - 6);
        }
        return s;
}

 

[faetzminator]

String str = "TEXT1&nbsp;&nbsp;&nbsp;<br/>&nbsp;&nbsp;TEXT2&nbsp;TEXT3&nbsp;TEXT4&nbsp;&nbsp;&nbsp;&nbsp;<br/>";
str = str.replaceAll("(&nbsp;)+(\\s*<br\\s*/>)", "$2");
System.out.println(str);

Natürlich kann man statt [c](\\s*<br\\s*/>)[/c] auch ganz einfach [c](<br/>)[/c] verwenden. Das stellt allerdings sicher, dass z.B. auch Vorkommnisse wie [c]&nbsp; <br />[/c] gelöscht werden.

 

[Niki]

@faetzminator: ein könig der regEx respekt!

 

[faetzminator]

Nunja, alles andere als Regex ist viel zu komplex :bae:

 

[oldshoe]

Ich würde es ganz simple per REGEX lösen, mit dem Ausdruck:

(&nbsp;)+<br/>

string.replaceAll("(&nbsp;)+<br/>","")

Probiers aus unter: RegEx: online regular expression testing

*EDIT*: OK andere waren wieder schnellerueh::toll:

 

[faetzminator]

Edit: ja, ich meine weil der Tag entfernt wird - dieser Post wird nicht richtig dargestellt... Siehe http://www.java-forum.org/plauderecke/79231-verbesserungsvorschlaege-73.html#post649709
****
Auch wenn ich schneller war mit dem Regex:
Deine Version entfernt auch den Tag: [c]"(&nbsp+<br/>, ""[/c]
Naja, ersetzen wir es einfach mit dem Tag: [c]"(&nbsp+<br/>", "<br/>"[/c]
Jetzt groupen wir ein Bisschen, damit es "schöner" wird: [c]"(&nbsp+(<br/>)", "$2"[/c]
Noch die Trennzeichen miteinbeziehen: [c]"(&nbsp+(\\s*<br\\s*/>)", "$2"[/c]

Schon hätten wir meine Version Wichtig ist aber, dass diese Version ein falsches Ergebnis zurückgibt.

 

[oldshoe]

Ah du meinst weil das </br> auch entfernt wird.

 

[cuaro]

Ich würde es ganz simple per REGEX lösen, mit dem Ausdruck:

(&nbsp;)+<br/>

string.replaceAll("(&nbsp;)+<br/>","")

Probiers aus unter: RegEx: online regular expression testing

*EDIT*: OK andere waren wieder schnellerueh::toll:

Danke schonmal für die zahlreichen Antworten..

wenn ich aber den replace wie oben beschrieben benutze lösche ich damit doch auch die <br/>'s, oder? Die sollten aber stehen bleiben..

Ich werd mal alle genannten Möglickeiten ausprobieren..

DANKE

edit: ok.. jetzt verstehe ich was oben mit dem "$2" gemeint war.. danke.. so funzt das gut..
somit erledigt

 

[faetzminator]

wenn ich aber den replace wie oben beschrieben benutze lösche ich damit doch auch die <br/>'s, oder?

Leider ist mein neuster Post nicht wirklich lesbar (siehe Verbesserungsvorschläge) - allerdings bleiben in dem von mir geposteten Regex die [c]<br/>[c]s stehen, im Gegensatz zu oldshoe's.

 

[oldshoe]

Kannst auch einfach

string.replaceAll("(&nbsp;)+<br/>","<br/>")

daraus machen, dann sind die brs wieder dabei.

 

[Wortraum]

Kannst auch einfach

string.replaceAll("(&nbsp;)+<br/>","<br/>")

daraus machen, dann sind die brs wieder dabei.

Und das gibt es dann sogar noch einmal effizient; man will die erste Gruppe nicht haben, also kann man das auch sagen:

str.replaceAll("(?:&nbsp;)+\\s*<br\\s*/>", "<br/>");

 

[faetzminator]

oldshoe: meiner macht ja genau das, ausser dass er die Gruppe verwendet, dann muss <br/> nur ein Mal deklariert werden und ggf. vorkommende Trennzeichen werden erst noch kopiert (z.B. ein New Line...).