package com.loongtao.general.crawler.slave;

import java.util.regex.Matcher;
import java.util.regex.Pattern; public class HtmlUtil {
private static final String regEx_script = "<script[^>]*?>[\\s\\S]*?<\\/script>"; // 定义script的正则表达式
private static final String regEx_style = "<style[^>]*?>[\\s\\S]*?<\\/style>"; // 定义style的正则表达式
private static final String regEx_html = "<[^>]+>"; // 定义HTML标签的正则表达式
private static final String regEx_space = "\\s*|\t|\r|\n";// 定义空格回车换行符 /**
* @param htmlStr
* @return 删除Html标签
*/
public static String delHTMLTag(String htmlStr) {
Pattern p_script = Pattern.compile(regEx_script,
Pattern.CASE_INSENSITIVE);
Matcher m_script = p_script.matcher(htmlStr);
htmlStr = m_script.replaceAll(""); // 过滤script标签 Pattern p_style = Pattern
.compile(regEx_style, Pattern.CASE_INSENSITIVE);
Matcher m_style = p_style.matcher(htmlStr);
htmlStr = m_style.replaceAll(""); // 过滤style标签 Pattern p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE);
Matcher m_html = p_html.matcher(htmlStr);
htmlStr = m_html.replaceAll(""); // 过滤html标签 Pattern p_space = Pattern
.compile(regEx_space, Pattern.CASE_INSENSITIVE);
Matcher m_space = p_space.matcher(htmlStr);
htmlStr = m_space.replaceAll(""); // 过滤空格回车标签
return htmlStr.trim(); // 返回文本字符串
} public static String getTextFromHtml(String htmlStr) {
htmlStr = delHTMLTag(htmlStr);
htmlStr = htmlStr.replaceAll("&nbsp;", "");
htmlStr = htmlStr.substring(0, htmlStr.indexOf("。") + 1);
return htmlStr;
} public static void main(String[] args) {
String str = "<div style='text-align:center;'>&nbsp;整治“四风”&nbsp;&nbsp;&nbsp;清弊除垢<br/><span style='font-size:14px;'>&nbsp;</span><span style='font-size:18px;'>公司召开党的群众路线教育实践活动动员大会</span><br/></div>111";
System.out.println(getTextFromHtml(str));
}
}

注*:替换时正则:<[^>]+>  就可

最新文章

  1. DER input, Integer tag error的异常处理
  2. WCF 定制自己的签名验证逻辑
  3. FZU 2218 Simple String Problem(简单字符串问题)
  4. 程序员必备:Oracle日常维护命令
  5. iOS socket 实现tcp和服务器长链接的简单使用心得
  6. 洛谷 U4704 函数
  7. Python学习--22 异步I/O
  8. 某校高中生利用Python,巧妙获取考试成绩,看到成绩后无言以对!
  9. gojs常用API-画布定义
  10. Oracle 查询权限视图
  11. Linux 字符编码 查看与转换
  12. 同一台电脑上个人的github账户如何与公司的gitlab账户共存
  13. OD之去除nag弹窗(四)
  14. 如何提取一个转录本的3&#39;UTR区域的序列
  15. codeforces 558B Amr and The Large Array-yy
  16. Ubuntu 17.04 upgrade to 17.10
  17. jsp小基础归纳
  18. OCP题库变了,2018年052新题库-29题
  19. Python3 Tkinter-Spinbox
  20. js用for of 遍历数组

热门文章

  1. 【js】将table的每个td的内容自动赋值给其title属性
  2. Linux下配置Hadoop 1.2.1
  3. 【JAVA、C++】LeetCode 014 Longest Common Prefix
  4. codeforces 472C.Make It Nondeterministic 解题报告
  5. 转圈游戏(codevs 3285)
  6. unsatisfied类型的异常
  7. [hihoCoder] 博弈游戏&#183;Nim游戏
  8. mysql 指定端口
  9. linux下跳板机跟客户端之间无密码登陆
  10. C#对XML进行操作(添加、修改)