如何从 HTML 中去除无关紧要的空白

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，每次都会重新包装所有 HTML（并添加大量空格），这使得很难区分它们。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，从而删除所有无关紧要的空格和换行符。

这意味着，在

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

之间的空间</h1> and <h2>应该被删除，但在

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

空格可能不会被删除。我不在乎<pre>, <textarea> or <script>块，也不是关于可以改变行为的 CSS 空白属性 - 我只是在寻找一种去除大部分不必要的空白的解决方案（最好保留太多的空白而不是太少）。

（我已经折叠多个空格并在标签之前重新添加换行符而不是空格，以使文本更具可读性 - 但仍然有太多的情况，例如标题或表格单元格/行之间的新换行符破坏了我的简单“解决方案” .)

JTidy http://jtidy.sourceforge.net/可能在这里有用。它是一个 HTML 解析器，可以解析 HTML（并且可以容忍格式错误的 HTML）并将 HTML 呈现为 DOM，并且您可以覆盖其中的写入以删除您不感兴趣的任何内容。