在 Java 中剥离 HTML答案

【问题标题】：Stripping HTML in Java在 Java 中剥离 HTML
【发布时间】：2014-06-26 15:44:18
【问题描述】：

我有数百个格式完全相同的 HTML 文件（Pidgin IM 日志文件）：

<html>
    <head><meta ...><title>...</title></head>
    <body>
        <h3>...</h3>
        <font color=...><font ...>(TIME)</font> <b>(NAME):</b></font> (MESSAGE)<br/>
        <font color=...><font ...>(TIME)</font> <b>(NAME):</b></font> (MESSAGE)<br/>
        <font color=...><font ...>(TIME)</font> <b>(NAME):</b></font> (MESSAGE)<br/>
        ...

（没有结束 body/html 标签，它只是重复这些行直到 EOF）

我需要从这些文件中提取时间、姓名和消息。我对正则表达式不是很好，我尝试过的 HTML 库对于我正在尝试做的事情似乎有点复杂。有什么建议吗？

【问题讨论】：

RegEx match open tags except XHTML self-contained tags 的可能重复项
this 能让你更近一点吗？
消息或姓名字段是否包含html？

标签： java html regex

【解决方案1】：

如果这是一个特定的需求，并且格式确实是常规的，我会使用简单的indexOf：

String[] lines=readFile(...);
for(String lin: lines) {
    int str,end;
    if((str=lin.indexOf("<font "     ))!=-1 
    && (str=lin.indexOf("<font " ,str))!=-1 
    && (str=lin.indexOf(">"      ,str))!=-1 
    && (end=lin.indexOf("</font>",str))!=-1) {
        str++;
        time=lin.substring(str,end);

        if((str=lin.indexOf("<b>"  ,end))!=-1) {
        && (end=lin.indexOf(":</b>",str))!=-1) {
            str+=3;
            name=lin.substring(str,end);

            if(... and so on
            }
        }
    }

（注意这段代码是即兴的，未经编译和测试，旨在传达基本思想）

【讨论】：

【解决方案2】：

我能够使用正则表达式来解决问题。

Pattern correct = Pattern.compile("\\<font color=.*?\\>", 0);
Pattern replace = Pattern.compile("\\</?(font|b|br/)( +.*?)?\\>", 0);

for (String s : Files.readAllLines(myfile)) {
    if (correct.matcher(s).matches() && replace.matcher(s).matches()) {
        String text = replace.matcher(s).replaceAll("");

        String time = text.substring(1, text.indexOf(')'));

        int offset = text.indexOf(':');
        offset = text.indexOf(':', offset + 1);
        int result = text.indexOf(':', offset + 1);

        String name = text.substring(text.indexOf(')') + 2, result);
        String message = text.substring(result + 2).trim();

        // do stuff with time, name and message
    }
}

【讨论】：