Question

我正在尝试搜索可以包含html和纯文本的Java String。如果html包含单个tick (''text'')或html块包含三个tick ('''<html><head><title>Sample</title></head><body><div>text</div></body></html>''')，我不需要从String中删除html。如果html没有包含单个或三个tick，那么我需要删除html。

如果内容未混合，以下工作正常。我想修改它，如果 String value="non ticked content here and ''mixed'' content ''here''将被写入内存/返回non ticked content here and ''mixed'' content ''here''。

我相信我需要更改正则表达式，只将未勾选的（单个或三个）内容传递给我的jsoup html2text方法。有关如何更改正则表达式或逻辑的任何想法，以便只将未打勾的内容传递给html2text方法？如果我将整个字符串（带有勾选的内容）传递给jsoup，它将删除所有不需要的html。

import java.io.IOException;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import org.apache.commons.lang.StringUtils;
import org.jsoup.Jsoup;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import com.fasterxml.jackson.core.JsonGenerationException;
import com.fasterxml.jackson.core.JsonGenerator;
import com.fasterxml.jackson.databind.SerializerProvider;
import com.fasterxml.jackson.databind.ser.std.StdSerializer;

public class HtmlSerializer extends StdSerializer<String> {
  private static final Logger LOG = LoggerFactory.getLogger(HtmlSerializer.class);
  private static final Pattern singlePattern = Pattern.compile("'.*'");
  private static final Pattern blockPattern = Pattern.compile("'''.*'''");

  protected HtmlSerializer() {
    super(String.class);
  }

  @Override
  public void serialize(String value, JsonGenerator jgen, SerializerProvider provider) throws IOException,
      JsonGenerationException {
      if(StringUtils.isNotBlank(value)){
          Matcher blockMatcher = blockPattern.matcher(value);
          Matcher singleMatcher = singlePattern.matcher(value);
          if(!blockMatcher.find() && !singleMatcher.find()){
              jgen.writeString(html2text(value));
          }else{
              jgen.writeString(value);
          }
      }else{
          jgen.writeString(value);
      }  
  }

  private static String html2text(String html) {
        return Jsoup.parse(html).text();
    }
}

Answer 1

您的模式无法正常运行，因为.*尽可能匹配。因此'.*'将从'的第一次出现到'的最后一次出现匹配，无论其间有多少'。在您的示例中，它将匹配整个序列''mixed'' content ''here''。

要解决这个问题，最简单的方法就是使用“不情愿的量词”。（http://docs.oracle.com/javase/7/docs/api/java/util/regex/Pattern.html#sum） '.*?'会尽可能少地匹配，因此会在'的下一次出现时停止。

这同样适用于您的群组语法，请使用'''.*?'''。然后，您可以将它们与或操作结合使用，以查找所有引用的构造：'''.*?'''|'.*?'。首先指定三重引号很重要，因为它们会被视为多个单引号字符串。

然后处理必须像这样处理子串：

Pattern p=Pattern.compile("'''.*?'''|'.*?'");
Matcher m=p.matcher(value);
int normalPos=0, length=value.length();
while(normalPos<length && m.find())
{
  int quotePos=m.start(), quoteEnd=m.end();
  if(normalPos<quotePos) processNormally(value.substring(normalPos, quotePos));
  final boolean tripleQuote=m.end()-m.start()>=6 && value.charAt(quotePos+1)=='\'';
  final int skip=tripleQuote? 3: 1;
  processQuoted(value.substring(quotePos+skip, quoteEnd-skip));
  normalPos=quoteEnd;
}
if(normalPos<length) processNormally(value.substring(normalPos));

从正则表达式中检索不匹配和匹配的文本

1 个答案: