java 正则表达式提取html纯文本-白红宇

本文来自我的个人博客：

做内容的大家都知道，从html中直接提取纯文本是一个非常大的问题。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 stub
        
String str = 
"<p></p><p>&nbsp;&nbsp;&nbsp;&nbsp;我们以Buffer类開始对java.nio包的浏览历程。"
                
+ 
"这些类是java.nio的构造基础。这个系列中。我们将尾随《java NIO》书籍一起深入研究缓冲区。"
                
+ 
"了解各种不同的类型，并学会如何使用。</p><p>&nbsp;&nbsp;&nbsp;&nbsp;一个Buffer对象"
                
+ 
"是固定数量的数据容器。<p></p><p>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>"
                
+ 
"</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)：缓冲区可以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，而且永远不能被改变</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，位置会自己主动由对应的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。"
                
+ 
"标记在设定前是没有定义的(undefied)。</p><p>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;这四个属性的关系例如以下：</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);
            
}
        
}
    
}
}</p>
        
      

本文转自mfrbuaa博客园博客，原文链接：http://www.cnblogs.com/mfrbuaa/p/4661126.html，如需转载请自行联系原作者