使用正则表达式

Question

我想提取句子：

str="<a href=\"https://blabla.com/truck\">truck</a> A wheeled, powered motor vehicle used for transportation."

结果：

truck A wheeled, powered motor vehicle used to tranportation.

无法找到一种使用正则表达式正常提取句子的方法，每当缺少某些内容时。

编辑：所需结果的结构是“</a>”符号前面的单词，紧跟在后面的句子的其余部分（单词是随机的和句子）。

Answer 1

在这种情况下，简单删除<和>之间的文字应该可以解决问题：

String str="<a href=\"https://blabla.com/truck\">truck</a> A wheeled, powered motor vehicle used for transportation.";
System.out.println(str.replaceAll("<[^>]*>", ""));

但通常避免使用正则表达式来解析HTML 。它有很多潜在的问题。你可以在这里阅读它们：

• Can you provide some examples of why it is hard to parse XML and HTML with a regex?
• https://stackoverflow.com/a/1732454/1393766

使用适当的解析器，如Jsoup，可以为您完成所有艰苦的工作。

String str="<a href=\"https://blabla.com/truck\">truck</a> A wheeled, powered motor vehicle used for transportation.";
Document doc = Jsoup.parse(str);
String text = doc.text();//get text which this HTML structure will generate in browser
System.out.println(text);

结果：truck A wheeled, powered motor vehicle used for transportation.