1

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：

  1. [link|]：不带 url 部分的链接
  2. *[link|]*：粗体链接（不包括 url 部分）
  3. *文本*：粗体文本
  4. _*text*_：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，我将得到：

[链接|]

这不是我想要的，我想获得“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要清理，那么，有没有办法做一个一次性的正则表达式？

非常感谢。

4

1 回答 1

0

因为它看起来基本上是三种类型的代码格式：斜体、粗体和链接

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
于 2012-10-11T20:18:45.847 回答