Question

为什么这段代码不会返回“”？我应该用什么正则表达式替换html文件中的所有标签？

x = x.replaceAll("<.*>", "<h3><a href=\"#\">current community</a></h3>");

谢谢！

Answer 1

我想删除HTML标记

您可以简单地使用HTML解析库，例如JSoup。这是一个例子

Document doc = 
     Jsoup.parse("<html><h3><a href=\"#\">current community</a></h3></html>");
System.out.println(doc.text());

输出：

current community

Answer 2

我同意其他人试图使用正则表达式来解析HTML是一个坏主意。（我认为即使你正在做的就是删除标签也是如此;评论和!CDATA之类的东西会使任何一个简单解决方案的尝试变得复杂。）但是，我认为解释为什么你的解决方案没有用'产生预期的结果（因为这适用于正则表达式更合适的其他情况）。

默认情况下，*和+量词是贪心，这意味着它们会匹配尽可能多的字符。因此，在您的示例中：

x = x.replaceAll("<.*>", "<h3><a href=\"#\">current community</a></h3>");

我认为这就是你的意思：

String x = "<h3><a href=\"#\">current community</a></h3>";
x = x.replaceAll("<.*>", "");

当匹配引擎搜索您的模式时，会发现<为x的第一个字符。然后它查找可以是任何内容的零个或多个字符的序列，然后是>。但由于它是一个贪婪的量词，如果它可以选择多个>，它将选择使.*与最长可能的字符串匹配的那个。在您的情况下，这意味着它将选择>，这是x的最后一个字符。结果是整个字符串被""替换。

要使其与最小可能的字符串匹配，请添加?以使其成为“不情愿的量词”：

x = x.replaceAll("<.*?>", "");

另一个解决方案是告诉匹配器在匹配“任何字符”时不要包含>：

x = x.replaceAll("<[^>]*>", "");

[^>]表示“匹配除>之外的任何字符。对于HTML / XML / SGML，我选择的正则表达式不是上述的，因为您不应该使用正则表达式来解析复杂结构那样的。

Answer 3

免责声明：您不应该使用正则表达式来解析HTML。

但是，如果你坚持，试试

 <
 (?:
      (?:
           /? 
           \w+ 
           \s* 
           /? 
      )
   |  
      (?:
           \w+ 
           \s+ 
           (?:
                (?:
                     (?: " [\S\s]*? " )
                  |  (?: ' [\S\s]*? ' )
                )
             |  (?: [^>]*? )
           )+
           \s* 
           /? 
      )
   |  
      \?
      [\S\s]*? 
      \?
   |  
      (?:
           !
           (?:
                (?:
                     DOCTYPE
                     [\S\s]*? 
                )
             |  (?:
                     \[CDATA\[
                     [\S\s]*? 
                     \]\]
                )
             |  (?:
                     --
                     [\S\s]*? 
                     --
                )
             |  (?:
                     ATTLIST
                     [\S\s]*? 
                )
             |  (?:
                     ENTITY
                     [\S\s]*? 
                )
             |  (?:
                     ELEMENT
                     [\S\s]*? 
                )
           )
      )
 )
 >

HTML标记正则表达式工作

3 个答案: