java 正则表达式提取html纯文本
2015-07-20 13:00
579 查看
本文来自我的个人博客: java 正则表达式提取html纯文本
做内容的大家都知道,从html中直接提取纯文本是一个非常大的问题。现将我做的正则匹配贴上:
做内容的大家都知道,从html中直接提取纯文本是一个非常大的问题。现将我做的正则匹配贴上:
import java.util.regex.Matcher; import java.util.regex.Pattern; public class TestReg { static String reg = "<[a-zA-Z]+.*?>([\s\S]*?)</[a-zA-Z]*>"; public static void main(String[] args) { // TODO Auto-generated method stub String str = "<p></p><p> 我们以Buffer类開始对java.nio包的浏览历程。" + "这些类是java.nio的构造基础。这个系列中。我们将尾随《java NIO》书籍一起深入研究缓冲区。" + "了解各种不同的类型,并学会如何使用。</p><p> 一个Buffer对象" + "是固定数量的数据容器。 其作用是一个存储器,或者分段运输区,在这里数据可被存储并在之后用于检索。 " + "</p><p> Buffer类的家谱:</p><p> " + "<img src="http://photo.jfq24.com/image/bigger/blog/server/upload/2014-07/user_2/13711406446068247.png" " + "title="2014-07-27_1527.png"></p><p> <strong>一,缓冲区基础</strong>" + "</p><p> 1.缓冲区的属性:</p><p> " + "容量(capacity):缓冲区可以容纳的数据元素的最大数量,这一容量是在缓冲区被创建时设置的,而且永远不能被改变</p>" + "<p> 上界(limit): 缓冲区的第一个不能被读或写的元素。" + "或者说。缓冲区中现存元素的计数。</p><p> 位置(position): " + "下一个要被读或写的元素的索引,位置会自己主动由对应的get()和put()函数更新。</p><p> " + " 标记(mark): 一个备忘位置,调用mark()来设定mark=position.调用reset()设定position=mark。" + "标记在设定前是没有定义的(undefied)。</p><p> 这四个属性的关系例如以下:</p"; Pattern p = Pattern.compile(reg, Pattern.MULTILINE); str = str.replace(" ", ""); Matcher m = p.matcher(str); while(m.find()) { String data = m.group(1).trim(); if(!"".equals(data)) { System.out.println(data); } } } }
相关文章推荐
- JavaSE----基础语法(运算符)
- java 开发内存不足的问题——gc overhead limit exceeded eclipse
- Spring框架之Filter应用
- Java-发送邮件(附件、图片)---(五)实例
- JDK环境变量配置以及可能出现的问题
- mac myEclipse 2015 svn 安装
- [LeetCode][Java] Decode Ways
- 使用 Eclipse 调试 Java 程序的 10 个技巧
- Java — equals和==的区别
- Java中的反射机制
- java中Debug调试功能简单使用
- 最佳新秀SSH(十三)——Spring集装箱IOC分析和简单的实现
- 深入浅出 Java Concurrency (13): 锁机制 part 8 读写锁 (ReentrantReadWriteLock) (1)
- 【Java基础第二弹】Java序列化进阶篇
- day05--Java基础知识--Exception异常
- Java线程之守护线程(Daemon)用法实例
- Java数组的扩容
- JAVA的包
- Java的日期格式化常用方法
- java日期格式化