请教一个正则表达式的错误

时间:2008-06-07 05:35:04   来源:论坛整理  作者:  编辑:chinaitzhe
首先请看一段很简单的HTML
HTML code





Code highlighting produced by Actipro CodeHighlighter (freeware)

http://www.CodeHighlighter.com/





<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">

<html>

  <head>

    <base href="http://localhost:80/myjsp/">

    

    <title>My JSP 'index.jsp' starting page</title>

    <meta http-equiv="pragma" content="no-cache">

    <meta http-equiv="cache-control" content="no-cache">

    <meta http-equiv="expires" content="0">    

    <meta http-equiv="keywords" content="keyword1,keyword2,keyword3">

    <meta http-equiv="description" content="This is my page">

    <!--

    <link rel="stylesheet" type="text/css" href="styles.css">

    -->

  </head>

  

  <body> 

      <input type="hidden" value="7">

    This is my JSP page.&nbsp; 哈哈<br>

    for Index,index.<br>

    

    <a href="index.jsp?currentPage=2">1</a>

  </body>

</html>
我用正则表达式 <[^ < ¦^>]*>来试图清楚HTML的标签，但是由于有CSS的存在，最后结果存在 <!-- -->。所以我寻求另一个既能清除HTML元素又能清除CSS元素的正则式，我用 <.*>，代码如下：
Java code





Code highlighting produced by Actipro CodeHighlighter (freeware)

http://www.CodeHighlighter.com/





import java.util.regex.Matcher;

import java.util.regex.Pattern;



import com.heaton.bot.HTTPSocket;



public class Experiment {

    public static void main(String args[]){

        try {

            HTTPSocket http = new HTTPSocket();

            http.send(args[0], null);

            System.out.println(http.getBody());

            String output = getTxtWithoutHTMLElement(http.getBody());

            System.out.println(output);

        } catch (Exception e) {

            

        }

    }

    

     public static String getTxtWithoutHTMLElement (String original)

     {   

         if(original==null||"".equals(original.trim()))

         {

             return original;

         }

    

         Pattern pattern = Pattern.compile("<.*>",Pattern.DOTALL);

         Matcher matcher = pattern.matcher(original);

         StringBuffer strbuffer = new StringBuffer();

         while (matcher.find())

         {

             matcher.appendReplacement(strbuffer,"");

         }

         matcher.appendTail(strbuffer);

         

         return strbuffer.toString();

      }

}
但是希奇的是，结果竟然什么都没有，但是我分析过假如只要存在 <>无论 <>里面是什么都将这个字符串清除，这样不就能达到既能清除HTML的标签又能清除CSS的元素的效果了吗？
网友回复:正则表达问题
<.*>
是匹配所有尖括号中的内容，而整个html文档的第一个字符和最后一个字符刚好凑成一个 <.*>
所以你的整个文档都会被匹配
可以换成
<[^> ]*>
意思是说：在 <> 之内，并且不再包含> 的内容才符合匹配标准
也就避免了 <> 的嵌套问题

另外，最后的StringBuffer操作和while循环可以用matcher.replaceAll方法代替，用不着写那么麻烦的循环
那段的逻辑我没认真看，不知道有没有问题，我的写法是：

public static String getTxtWithoutHTMLElement (String original)
{
if(original==null|| " ".equals(original.trim()))
{
return original;
}

Pattern pattern = Pattern.compile( " <[^> ]*> ",Pattern.DOTALL);
Matcher matcher = pattern.matcher(original);
return matcher.replaceAll( " ");

return strbuffer.toString();
}

网友回复:
引用 1 楼 mhoudg 的回复:
正则表达问题
<.*>
是匹配所有尖括号中的内容，而整个html文档的第一个字符和最后一个字符刚好凑成一个 <.*>
所以你的整个文档都会被匹配
可以换成
<[^> ]*>
意思是说：在 <> 之内，并且不再包含> 的内容才符合匹配标准
也就避免了 <> 的嵌套问题

另外，最后的StringBuffer操作和while循环可以用matcher.replaceAll方法代替，用不着写那么麻烦的循环
那段的逻辑我没认真看，不知道有没有问题，我的写法是：

public…


呃，最后一个return strbuffer.toString(); 忘记删除了，我想楼主能够看懂:P
另外Pattern.DOTALL参数也可以去掉
网友回复:我明白了 谢谢 不过假如是去除CSS元素还是要用 <style.*? </style>
关键字：请教,一个,正则,表达式,错误,

相关文章

文章评论

共有 0 位网友发表了评论 此处只显示部分留言 点击查看完整评论页面

最新信息

最新代码下载