java 正则匹配提取html纯文本

来源：互联网发布：莱恩打碟软件使用说明编辑：程序博客网时间：2024/05/17 12:53

本文来自于我的个人博客： java 正则匹配提取html纯文本

做内容的大家都知道，从html中直接提取纯文本是一个很大的问题，现将我做的正则匹配贴上：

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 stubString str = "<p></p><p>&nbsp;&nbsp;&nbsp;&nbsp;我们以Buffer类开始对java.nio包的浏览历程。"+ "这些类是java.nio的构造基础。这个系列中，我们将跟随《java NIO》书籍一起深入研究缓冲区，"+ "了解各种不同的类型，并学会怎样使用。</p><p>&nbsp;&nbsp;&nbsp;&nbsp;一个Buffer对象"+ "是固定数量的数据容器。其作用是一个存储器，或者分段运输区，在这里数据可被存储并在之后用于检索。"+ "</p><p>&nbsp;&nbsp;&nbsp;&nbsp;Buffer类的家谱：</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，缓冲区基础</strong>"+ "</p><p>&nbsp;&nbsp;&nbsp; 1.缓冲区的属性：</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;"+ "容量(capacity)：缓冲区能够容纳的数据元素的最大数量，这一容量是在缓冲区被创建时设置的，并且永远不能被改变</p>"+ "<p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;上界(limit): 缓冲区的第一个不能被读或写的元素。"+ "或者说，缓冲区中现存元素的计数。</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;位置(position): "+ "下一个要被读或写的元素的索引，位置会自动由相应的get()和put()函数更新。</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;"+ "&nbsp;&nbsp;&nbsp;标记(mark): 一个备忘位置，调用mark()来设定mark=position.调用reset()设定position=mark。"+ "标记在设定前是未定义的(undefied)。</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;这四个属性的关系如下：</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);}}}}

0 1