java 正則表達式提取html純文本

本文來自我的個人博客： java 正則表達式提取html純文本

做內容的大家都知道，從html中直接提取純文本是一個非常大的問題。現將我做的正則匹配貼上：

import java.util.regex.Matcher;
import java.util.regex.Pattern;


public class TestReg {
	static String reg = "<[a-zA-Z]+.*?>([\s\S]*?)</[a-zA-Z]*>";
	public static void main(String[] args) {
		// TODO Auto-generated method stub
		String str = "<p></p><p>&nbsp;&nbsp;&nbsp;&nbsp;我們以Buffer類開始對java.nio包的瀏覽歷程。"
				+ "這些類是java.nio的構造基礎。這個系列中。我們將尾隨《java NIO》書籍一起深入研究緩沖區。"
				+ "了解各種不同的類型，並學會如何使用。</p><p>&nbsp;&nbsp;&nbsp;&nbsp;一個Buffer對象"
				+ "是固定數量的數據容器。
其作用是一個存儲器，或者分段運輸區，在這里數據可被存儲並在之后用於檢索。
"
				+ "</p><p>&nbsp;&nbsp;&nbsp;&nbsp;Buffer類的家譜：</p><p>&nbsp;&nbsp;&nbsp;&nbsp;"
				+ "<img src="http://photo.jfq24.com/image/bigger/blog/server/upload/2014-07/user_2/13711406446068247.png" "
				+ "title="2014-07-27_1527.png"></p><p>&nbsp;&nbsp;&nbsp;&nbsp;<strong>一，緩沖區基礎</strong>"
				+ "</p><p>&nbsp;&nbsp;&nbsp; 1.緩沖區的屬性：</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;"
				+ "容量(capacity)：緩沖區可以容納的數據元素的最大數量，這一容量是在緩沖區被創建時設置的，而且永遠不能被改變</p>"
				+ "<p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;上界(limit): 緩沖區的第一個不能被讀或寫的元素。"
				+ "或者說。緩沖區中現存元素的計數。</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;位置(position): "
				+ "下一個要被讀或寫的元素的索引，位置會自己主動由對應的get()和put()函數更新。</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;"
				+ "&nbsp;&nbsp;&nbsp;標記(mark): 一個備忘位置，調用mark()來設定mark=position.調用reset()設定position=mark。"
				+ "標記在設定前是沒有定義的(undefied)。</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;這四個屬性的關系例如以下：</p";
		Pattern p = Pattern.compile(reg, Pattern.MULTILINE);
		str = str.replace("&nbsp;", "");
		Matcher m = p.matcher(str);
		while(m.find()) {
			String data = m.group(1).trim();
			if(!"".equals(data)) {
				System.out.println(data);
			}
		}
	}

}

版權聲明：本文博客原創文章。博客，未經同意，不得轉載。