package com.yueguang.regex;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileWriter;
import java.io.IOException;
import java.util.Scanner;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class ParseDIV {
public static void main(String[] args) throws IOException {
Pattern pattern = Pattern.compile("(<div>)([^<]*)(</div>)");
File file = new File("overview.html");
FileWriter fileWriter = new FileWriter(new File("output.txt"));
Scanner in = new Scanner(file, "UTF8");
// Scanner in = new Scanner(System.in,"UTF8");
while (in.hasNextLine()) {
String nextLine = in.nextLine();
Matcher matcher = pattern.matcher(nextLine);
// System.out.println(nextLine);
// System.out.println(matcher);
while (matcher.find()) {
// System.out.println(matcher.group(2));
fileWriter.write(matcher.group(2)+"\n");
}
}
fileWriter.flush();
fileWriter.close();
}
}
输入是一个 需要提取的内容在每行上都以<div>content</div>的形式表示,可以一行有多个,只要每行上的格式完整
简单的正则的应用,里面值得注意的地方是 不要把 [^<] 写成 . ; 因为点会匹配所有字符,那么如果一行存在多个 第一个div中的内容和最后一个div中间内容都会被匹配到,我们只需要明白<不可能出现在div 里,并且这是div 结束符号的开始,那么我们就可以成功匹配到正确的content,另外值得说的一点是字符集的问题,我的IDE中配置的是UTF8,显示的时候如果使用了ANSI之类的格式都会显示乱码,改一下编辑器的默认显示格式即可