Java的字符串操作HTML标签

Question

我有一个java字符串处理一些文本和HTML：

<title>test title</title> 
blabla bla more text 

我所试图实现的是两个方面：

1）获取的<title></title>内容并保存它在一个单独的字符串中。

2）删除原始字符串的一部分：<title>test title</title>

所以，最终的结果会是这样的

originalString：

<title>test title</title> 
blabla bla more text 

newString：

blabla bla more text 

PAGETITLE ：test title

我该如何做到这一点？常用表达？ 我无法真正把握它...

Answer 1

Don't use regular expressions to parse HTML！尝试使用JTidy或any of these适用于Java的开源HTML解析器，它符合您的要求。

使用这些库将让你的生活更容易，因为它们被设计来解析HTML。你可以抓取你想要的节点并从中提取文本。

Answer 2

这是你将如何使用正则表达式来提取标题标签之间的文本：

String s = "<title>test title</title>"; 
    Pattern p = Pattern.compile("<title>(.*?)</title>"); 
    Matcher m = p.matcher(s); 
    while(m.find()){ 
     System.out.println(m.group(1)); 
    } 

Answer 3

It is inadvisable to parse XML/HTML with regular expressions.但是，如果你绝对必须做这个事情你问我，试试这个：

package org.apache.people.mclark.examples.regex; 
import java.util.regex.*; 
public class Regex1 { 
    public static void main(String[] args) { 
     final String subjectString = "<title>test title</title>\n" + 
      "blabla bla more text"; 
     Pattern regex = Pattern.compile("<title>(.*?)</title>(.*)", 
       Pattern.DOTALL); 
     Matcher regexMatcher = regex.matcher(subjectString); 
     if (regexMatcher.find()) { 
      String pageTitle = regexMatcher.group(1); 
      String leftOvers = regexMatcher.group(2); 
      System.out.println("pageTitle[" + pageTitle + "]"); 
      System.out.println("leftOvers[" + leftOvers + "]"); 
     } else { 
      System.out.println("no match"); 
     } 
    } 
} 

我洗手我的任何不端行为！