使用 Java Regex 提取 html 中的文本

Question

I need to extract text from html tags.我需要从 html 标签中提取文本。 I have written a code but the text is not being extracted.我已经写了一个代码，但文本没有被提取。 Below is my code下面是我的代码

import java.util.regex.Matcher;
import java.io.BufferedReader;
import java.io.FileReader;
import java.util.regex.Pattern;
class getFontTagText{
String result = null;
public static void main(String args[]){
    try{
           getFontTagText text = new getFontTagText();
           BufferedReader r = new BufferedReader(new FileReader("target.html"));
           Pattern p = Pattern.compile("<FONT FACE=\"Arial\" SIZE=\"1\" COLOR=\"\\W|_000000\" LETTERSPACING=\"0\" KERNING=\"0\">(//AZUZZU Full Service Provision)</FONT>",Pattern.MULTILINE);
           String line;
           System.out.println("Came here");
           while((line = r.readLine()) != null){
           Matcher mat = p.matcher(line);

           while(mat.find()){
                System.out.println("Came here");
                String st = mat.group(1);
                System.out.format("'%s'\n", st);
            }
        }
    }catch (Exception e){
        System.out.println(e);
    }
}

} }

and the html file is here和 html 文件在这里

     <P ALIGN="LEFT">
         <FONT FACE="Arial" SIZE="1" COLOR="#000000" LETTERSPACING="0" KERNING="0">ZUZZU Full Service Provision</FONT>
     </P>
     <P ALIGN="LEFT">
         <FONT FACE="Arial" SIZE="1" COLOR="#000000" LETTERSPACING="0" KERNING="0">&uuml; &ouml; &auml; &Auml; &Uuml; &Ouml; &szlig;</FONT>
     </P>

mat.group(1) is being printed 'null' instead of text. mat.group(1) 正在打印 'null' 而不是文本。 Any help is much appreciated.任何帮助深表感谢。

Answer 1

I would recommend to use jsoup.我建议使用 jsoup。 jsoup is a Java library for extracting and manipulating HTML data, using CSS, and jquery-like methods. jsoup 是一个 Java 库，用于提取和操作 HTML 数据，使用 CSS 和类似 jquery 的方法。 In your case it could look like something like this :在您的情况下，它可能看起来像这样：

    public static void jsoup() throws IOException{
    File input = new File("C:\\users\\uzochi\\desktop\\html.html");
    Document doc = Jsoup.parse(input, "UTF-8");
    Elements es = doc.select("FONT");//select tag 
    for(Element e : es){
        System.out.println(e.text());
    }    
}

If you prefer to use regex just match the text between > and < , for example如果您更喜欢使用正则表达式，只需匹配 > 和 < 之间的文本，例如

public static void regex(){
Pattern pat = Pattern.compile("<FONT [^>]*>(.*?)</FONT>");//
String s = "<html>\n" +
            "<body>\n" +
            "\n" +
            "<P ALIGN=\"LEFT\">\n" +
            "         <FONT FACE=\"Arial\" SIZE=\"1\" COLOR=\"#000000\" LETTERSPACING=\"0\" KERNING=\"0\">ZUZZU Full Service Provision</FONT>\n" +
            "     </P>\n" +
            "     <P ALIGN=\"LEFT\">\n" +
            "         <FONT FACE=\"Arial\" SIZE=\"1\" COLOR=\"#000000\" LETTERSPACING=\"0\" KERNING=\"0\">&uuml; &ouml; &auml; &Auml; &Uuml; &Ouml; &szlig;</FONT>\n" +
            "     </P>\n" +
            "\n" +
            "</body>\n" +
            "</html>";
Matcher m = pat.matcher(s);
while (m.find()) {
    String found = m.group(1);
    System.out.println("Found : " + found);      
}

} }

使用 Java Regex 提取 html 中的文本

问题描述

1 个解决方案

解决方案1
1 已采纳 2016-05-10 08:28:00

使用 Java Regex 提取 html 中的文本

问题描述

1 个解决方案

解决方案1 1 已采纳 2016-05-10 08:28:00

解决方案1
1 已采纳 2016-05-10 08:28:00