从字符串中删除所有格式，编号列表，项目符号列表，空格，制表符等

Question

我正在制作自定义文档比较工具。我正在将word文档中的内容与网页内容进行比较。我正在解析网页，只是删除文本并将其与我从word文档复制到JTextarea的文本进行比较。

我想做的就是比较文字，确保没有拼写错误或遗漏的单词。当我解析网页时，我没有得到任何格式，如编号或项目符号列表。我的问题是，当我将单词doc的内容复制到我的jtextarea时，它会保留所有编号列表，项目符号列表等。

我想要的是采用以下文字示例：

  

解决方案1：重新启动网络硬件

     

如果Xbox LIVE性能似乎很慢，请尝试重新启动网络硬件。方法如下：

     

  
1. 关闭Xbox 360控制台和任何网络硬件（例如，您的调制解调器和路由器）。
  
2. 等待30秒。
  
3. 打开调制解调器，等一分钟。
  

然后把它变成：

  

解决方案1：重新启动网络硬件
  如果Xbox LIVE性能似乎很慢，请尝试重新启动网络硬件。方法如下：
  关闭Xbox 360控制台和任何网络硬件（例如，您的调制解调器和路由器）   等待30秒   打开调制解调器，等一分钟。

我已经有一个正则表达式删除所有空行，我只是不知道我应该如何处理删除额外的标签，列表样式等有任何建议吗？

Answer 1

您可以尝试以下启发式方法：

• 用空格替换所有标签（等）（参见String.replaceAll()）
• 用空格替换所有空格 - 后跟数字后跟点开头（参见正则表达式：|^ *\d*\\.| - carret-space-star-backslash-d -backslash-反斜杠点）
• 用一个空格替换所有空间系列（正则表达式：| +| - 空格 - 空格+）（以去除多余的空间） - 将此作为最后一步保留

如果您遇到其他您不想要的模式，可以在那里添加任何其他替换逻辑

注意：我在正则表达式周围添加了|以使前导空格更容易看到，但是当您输入代码时它们不是正则表达式的一部分。