java - 获取html标签之间的文本

Question

可能重复：RegEx 匹配 HTML 标记并提取文本

我需要获取 html 标记之类的文本之间的文本<p></p>。我的模式是这样的

Pattern pText = Pattern.compile(">([^>|^<]*?)<");

任何人都知道一些更好的模式，因为它不是很有用。我需要它来索引网页中的内容。

谢谢

Answer 1

SO即将降临到你身上。但是让我先说，不要使用正则表达式来解析 HTML。 这是 Java HTML 解析器的列表。环顾四周，直到您看到一个适合您的 API 并改用它。

Answer 2

看起来您正在尝试|在负集中使用运算符，这既不工作也不需要。只需指定您不想匹配的字符：

Pattern pText = Pattern.compile(">([^<>]*?)<");

Answer 3

解析 HTML 时不要使用正则表达式。

请改用XPath（如果您的 HTML 格式正确）。text()您可以使用该函数非常轻松地引用文本节点。