使用regex在java中选择具有特定字符的HTML正文中的句子

Question

我有一个html页面。我只想提取那些在句子/文本末尾带有问号的标签中的文本。我使用：

<.+?>(.+?)<.+?>

来获取标记内的文本。但这样做有两个问题: 1-所有嵌套的标签也会被提取出来，这是我不想要的。(我只想要纯文本)2-我只想得到那些在标签末尾有一个问号的文本。

我不知道该怎么做。有没有人能帮我(用爪哇)。PS:我的html页面格式不正确，因此，使用诸如JSoup之类的工具不是一个好的选择。这就是为什么我只使用正则表达式。

Answer 1

如果你有无限的嵌套，检测嵌套和不匹配是很困难的，或者是不可能的，但你可以尝试这样做：

<(.+?)>(.+?\?)</$1>

它匹配再次关闭的标签，并且只在结尾有一个问号。

请参阅rubular

Answer 2

你有充分的理由使用正则表达式吗？

你可以自己分析你的html代码。也许它会更快。如果在<mytag?>和</mytag?>中没有任何标记，这里有一个小的解决方案

    final LinkedList<String> chunks = new LinkedList<String>();

    final String text = "<i>italic</i><mytag?>text</mytag?><href>anchor</href> <mySecondTag?>word</mySecondTag?>";

    String rest = text;
    int pos;
    while ( (pos = rest.indexOf("?>") )!=-1)
    {
        final int endTag = rest.indexOf("<", pos);
        chunks.add(rest.substring(pos+2, endTag));
        rest = rest.substring(rest.indexOf(">", endTag+1)+1);
    }


    System.out.println(chunks);