Java用PDF2DOM转PDF为HTML后，如何删除带r类的div或r样式？

在JAX-RS Web服务中使用PDF2DOM库实现PDF转HTML时，转换后的HTML中带r类的div会导致显示效果不佳，可通过以下两种方式解决：

原转换代码 #

Document dom = null;
try {
    // load the PDF file using PDFBox
    PDDocument pdf = PDDocument.load(tempFile);
    // create the DOM parser
    PDFDomTree parser = new PDFDomTree();
    // parse the file and get the DOM Document
    dom = parser.createDOM(pdf);

} catch (Exception e) {
    e.printStackTrace();
}

return dom;

方案一：删除所有带r类的div #

在获取到DOM文档后，遍历并移除所有class属性为r的div元素：

// 处理DOM文档，删除带r类的div
if (dom != null) {
    // 使用XPath查找所有class包含r的div
    XPath xpath = XPathFactory.newInstance().newXPath();
    NodeList divs = (NodeList) xpath.evaluate("//div[contains(@class, 'r')]", dom, XPathConstants.NODESET);
    
    // 逆序遍历删除，避免索引错乱
    for (int i = divs.getLength() - 1; i >= 0; i--) {
        Node div = divs.item(i);
        div.getParentNode().removeChild(div);
    }
}

方案二：移除头部的r样式规则 #

如果r类的样式定义在HTML头部的style标签中，可直接删除对应的样式规则：

if (dom != null) {
    // 获取head标签下的所有style元素
    NodeList styleNodes = dom.getElementsByTagName("style");
    for (int i = 0; i < styleNodes.getLength(); i++) {
        Element style = (Element) styleNodes.item(i);
        String cssContent = style.getTextContent();
        // 移除所有.r相关的样式规则
        String cleanedCss = cssContent.replaceAll("\\.r\\s*\\{[^}]+\\}", "");
        style.setTextContent(cleanedCss);
    }
}

内容的提问来源于stack exchange，提问作者Liliymas