我正在编写一个程序来读取和分离垃圾邮件和非正常电子邮件。现在我正在使用java的bufferedreader类阅读它。我可以使用 replaceAll() 方法删除任何不需要的字符，例如“（”或“。”等。我也想删除 html 标签，包括 &。如何实现这一点！？
谢谢
编辑： 感谢您的回复，但我已经有一个正则表达式，如何结合我的需求并投入其中。这是我现在使用的正则表达式。
lines.replaceAll("[^a-zA-Z]", " ")
注意：我从 txt 文件中获取行。 请问还有什么建议吗？！
【问题讨论】：
导入 java.io.*;
public class Html2TextWithRegExp {
public static void main (String[] args) throws Exception{
StringBuilder sb = new StringBuilder();
BufferedReader br = new BufferedReader(new FileReader("java-new.html"));
String line;
while ( (line=br.readLine()) != null) {
sb.append(line);
// or
// sb.append(line).append(System.getProperty("line.separator"));
}
String nohtml = sb.toString().replaceAll("\\<.*?>","");
System.out.println(nohtml);
}
}
【讨论】：
也许这会起作用：
String noHTMLString = htmlString.replaceAll("\\<.*?>","");
它使用regular expressions 删除字符串中的所有 HTML 标签。
更具体地说，它会从字符串中删除所有类似 XML 的标签。因此，即使 不是有效的 HTML 标记，它也会被删除。但这对大多数意图和目的都有好处。
希望这会有所帮助。
【讨论】：
replaceAll("&.*?;","") 将取出实体引用。尽管对我来说很奇怪，只是想删除这些，而不是将它们翻译回它们所代表的字符。
public static String html2text(String html) {
return Jsoup.parse(html).text();
}
【讨论】：
你会想要做一些轻量级的解析来剥离 HTML：
String extractText(String html) throws IOException {
final ArrayList<String> list = new ArrayList<String>();
ParserDelegator parserDelegator = new ParserDelegator();
ParserCallback parserCallback = new ParserCallback() {
public void handleText(final char[] data, final int pos) {
list.add(new String(data));
}
public void handleStartTag(Tag tag, MutableAttributeSet attribute, int pos) { }
public void handleEndTag(Tag t, final int pos) { }
public void handleSimpleTag(Tag t, MutableAttributeSet a, final int pos) { }
public void handleComment(final char[] data, final int pos) { }
public void handleError(final java.lang.String errMsg, final int pos) { }
};
parserDelegator.parse(new StringReader(html), parserCallback, true);
String text = "";
for(String s : list) {
text += " " + s;
}
return text;
}
【讨论】：