java - JAVA Regex 删除 html 标记和内容

Question

可能重复：
如何删除 Java
RegEx 中的 HTML 标记匹配打开的标记，XHTML 自包含标记除外

我想删除特定的 HTML 标记及其内容。

例如，如果 html 是：

<span style='font-family:Verdana;mso-bidi-font-family:
"Times New Roman";display:none;mso-hide:all'>contents</span>

如果标签包含“mso-*”，则必须删除整个标签（开始、结束和内容）。

Answer 1

正如Dave Newton在他的评论中指出的那样，html 解析器是这里的方法。如果您真的想以艰难的方式做到这一点，那么这里有一个有效的正则表达式：

    String html = "FOO<span style='font-family:Verdana;mso-bidi-font-family:"
        + "\"Times New Roman\";display:none;mso-hide:all'>contents</span>BAR";
    // regex matches every opening tag that contains 'mso-' in an attribute name
    // or value, the contents and the corresponding closing tag
    String regex = "<(\\S+)[^>]+?mso-[^>]*>.*?</\\1>";
    String replacement = "";
    System.out.println(html.replaceAll(regex, replacement)); // prints FOOBAR