在html标签之间获取文本

Question

  

可能重复：RegEx matching HTML tags and extracting text

我需要在像<p></p>这样的html标签之间获取文本。我的模式是这个

Pattern pText = Pattern.compile(">([^>|^<]*?)<");

任何人都知道一些更好的模式，因为这个不是很有用。我需要它来索引来自网页的内容。

由于

Answer 1

即将降临在你身上。但是让我成为第一个说，不要使用正则表达式来解析HTML。 Here是Java HTML Parsers的列表。环顾四周，直到你看到一个适合你的幻想的API，然后使用它。

Answer 2

看起来你正试图在负集中使用|运算符，这既不起作用也不需要。只需指定您不想匹配的字符：

Pattern pText = Pattern.compile(">([^<>]*?)<");

Answer 3

解析HTML时不要使用正则表达式。

使用XPath代替（如果您的HTML格式正确）。您可以非常轻松地使用text()函数引用文本节点。