从字符串中删除所有格式、编号列表、符号列表、空格、制表符等。

Question

我正在制作一个自定义文档比较工具。我将word文档中的内容与网页内容进行比较。我正在解析网页，只是删除文本并将其与从word文档复制到JTextarea中的文本进行比较。

我想做的就是比较课文，确保没有拼写错误或单词缺失。当我解析网页时，我不会得到任何格式，比如编号或项目符号列表。我的问题是，当我将word文档的内容复制到我的jtextarea区域时，它会保存所有编号列表、项目符号列表等等。

我想以以下文本为例：

解决方案1:重新启动网络硬件 如果Xbox的实时性能看起来很慢，请尝试重新启动网络硬件。以下是如何：

1. 关闭Xbox 360控制台和任何网络硬件(例如调制解调器和路由器)。
2. 等30秒。
3. 打开调制解调器，等一下。

把它变成：

解决方案1:重新启动网络硬件 如果Xbox的实时性能看起来很慢，请尝试重新启动网络硬件。以下是如何： 关闭Xbox 360控制台和任何网络硬件(例如调制解调器和路由器)。 等30秒。 打开调制解调器，等一下。

我已经有一个正则表达式删除所有的空白行，我只是不知道我应该如何处理删除额外的标签，列表样式等。有什么建议吗？

Answer 1

您可以尝试以下启发式方法：

• 替换所有Tabs (等)使用空格(请参阅String.replaceAll())
• 用空格替换所有(参见regex：|^ *\d*\\.| - carret-space-star-backslash-d-backslash-backslash-dot) )
• 用一个空格替换所有的空间序列(regex：| +| -- space -space-plus)(以消除多余的空间) --保持这一点作为最后一步

如果遇到其他不想要的模式，可以在那里添加任何其他替换逻辑

注意:我在正则表达式周围添加了|，以使前面的空格更容易看到，但是当您输入代码时，它们并不是正则表达式的一部分。