java正则表达式清除mediawiki标记[重复]答案

【问题标题】：java regex to clear mediawiki markup [duplicate]java正则表达式清除mediawiki标记[重复]
【发布时间】：2012-10-11 19:13:10
【问题描述】：

可能重复：
Wikipedia : Java library to remove wikipedia text markup removal

我必须清理一些来自 Confluence 的内容。该内容几乎是干净的；但是，有些事情是这样的：

[链接|]：没有url部分的链接
*[link|]*：粗体链接（不带 url 部分）
*文本*：粗体文本
_*文本*_：斜体粗体文本

等等。我需要编写一个清除所有这些的正则表达式，所以，我做了类似的事情：

String wikiCleanMarkupRegex = "\\\\[(.*?)[\\\\|.*?]?\\\\]|\\\\*(.*?)\\\\*|_(.*?)_";

但这并不能清除所有内容，我的意思是，如果我将 #2 中的链接提供给它，我会得到：

[链接|]

这不是我想要的，我想得到“链接”……所以，我需要一次又一次地重新解析字符串，直到找不到其他匹配项。

这真的很慢，因为有数百万条记录需要清理，那么，有没有什么方法可以一次完成所有的正则表达式？

非常感谢。

【问题讨论】：

另外，如果我有类似 _*[link|]*_: A link (without the url part) in bold and italic的东西，我需要解析它3次，一次删除斜体，其他删除粗体和最后一个删除括号......这对于我需要的东西来说太慢了

标签： java regex performance mediawiki matcher

【解决方案1】：

既然看起来基本上就是三种代码格式：italic、bold和LINK

我会做一个 3-pass 正则表达式替换器。

并且根据您给出的输入的优先顺序应该是：

/**
 * FIRST REMOVE ITALICS, THEN BOLD, THEN URL
 */
public static String cleanWikiFormat(CharSequence sequence) {
    return Test.removeUrl(Test.removeBold(Test.removeItalic(sequence)));
}

这是一个示例代码：

import java.util.regex.Matcher;
import java.util.regex.Pattern;


public class Test {

    private static String removeItalic(CharSequence sequence) {
        Pattern patt = Pattern.compile("_\\*(.+?)\\*_");
        Matcher m = patt.matcher(sequence);
        StringBuffer sb = new StringBuffer(sequence.length());
        while (m.find()) {
            String text = m.group(1);
            // ... possibly process 'text' ...
            m.appendReplacement(sb, Matcher.quoteReplacement(text));
        }
        m.appendTail(sb);
        return sb.toString();
    }

    private static String removeBold(CharSequence sequence) {
        Pattern patt = Pattern.compile("\\*(.+?)\\*");
        Matcher m = patt.matcher(sequence);
        StringBuffer sb = new StringBuffer(sequence.length());
        while (m.find()) {
            String text = m.group(1);
            // ... possibly process 'text' ...
            m.appendReplacement(sb, Matcher.quoteReplacement(text));
        }
        m.appendTail(sb);
        return sb.toString();
    }


    private static String removeUrl(CharSequence sequence) {
        Pattern patt = Pattern.compile("\\[(.+?)\\|\\]");
        Matcher m = patt.matcher(sequence);
        StringBuffer sb = new StringBuffer(sequence.length());
        while (m.find()) {
            String text = m.group(1);
            // ... possibly process 'text' ...
            m.appendReplacement(sb, Matcher.quoteReplacement(text));
        }
        m.appendTail(sb);
        return sb.toString();
    }


    public static String cleanWikiFormat(CharSequence sequence) {
        return Test.removeUrl(Test.removeBold(Test.removeItalic(sequence)));
    }

    public static void main(String[] args) {
        String text = "[hello|] this is just a *[test|]* to clean wiki *type* and _*formatting*_";
        System.out.println("Original");
        System.out.println(text);
        text = Test.cleanWikiFormat(text);
        System.out.println("CHANGED");
        System.out.println(text);
    }
}

以下将给出：

Original
[hello|] this is just a *[test|]* to clean wiki *type* and _*formatting*_
CHANGED
hello this is just a test to clean wiki type and formatting

【讨论】：