正则表达式去除HTML文件中字段特殊格式【JAVA实现】

引言

目前大多数人通常都是使用两种方式来对HTML文件进行处理的。一个是使用Jsoup，另一个就是使用正则表达式。

Jsoup是一个基于Java的HTML解析器，提供了省时省力的API，方便对文档进行各种处理。

不过正则表达式的处理方法就比较“蠢”了。这种方法就是简单地通过对文件内部字符串的处理，来达成修改的目的。

正则表达式

正则表达式（regular expression）是一种字符串的匹配模式，可以比较方便地检索字符串，找到与筛选规则相匹配的字段，并基于检索功能对字符串进行一系列的操作。

这方面需要学习的内容比较多，这里比较推荐去找一些实际的应用场景，然后与教程对着看，这样能更快更好地掌握正则表达式的实际应用能力。

代码展示

//按照首尾查找替换并计数【特殊格式】
public static int findAndCountByHeadTail(String filePath,String fixType){
    int count = 0;

    String temp = "";
    StringBuffer tempBuf = new StringBuffer();
    try {
        File file = new File(filePath);
        FileInputStream fis = new FileInputStream(file);
        InputStreamReader isr = new InputStreamReader(fis);
        BufferedReader br = new BufferedReader(isr);
        StringBuffer buf = new StringBuffer();

        // 计算所有匹配的字符串的数量并替换
        for (temp = null; (temp = br.readLine()) != null; temp = null) {

            //匹配字符串
            String leftStr = "text-decoration:" + fixType + ";\">";
            String rightStr = "</span>";

            //左匹配规则
            Pattern leftPattern = Pattern.compile(leftStr);
            Matcher leftMatcher = leftPattern.matcher(temp);
            //右匹配规则
            Pattern rightPattern = Pattern.compile(rightStr);
            Matcher rightMatcher = rightPattern.matcher(temp);

            int begin = 0;
            List<String> foundKeys = new ArrayList<>();

            //遍历匹配左右并提取中间字符串（包括左右匹配项）
            while (leftMatcher.find(begin)){
                rightMatcher.find(leftMatcher.start());
                String presentKey = temp.substring(leftMatcher.start(),rightMatcher.end());
                foundKeys.add(presentKey);
                begin = rightMatcher.end();
                count++;
            }

            //修改当前读取行
            for (String foundKey : foundKeys){
                temp = temp.replace(foundKey , foundKey.replace(leftStr,"\">"));
            }

            buf.append(temp);
            buf.append(System.getProperty("line.separator"));
        }

        br.close();
        FileOutputStream fos = new FileOutputStream(file);
        PrintWriter pw = new PrintWriter(fos);
        pw.write(buf.toString().toCharArray());
        pw.flush();
        pw.close();
    } catch (IOException e) {
        e.printStackTrace();
    }

    return count;
}

解析

此处的特殊格式指的是：上划线、下划线、删除线等。同样的逻辑也可以用来处理其他的标签。

通过使用 Pattern 、 Matcher 进行前后字段的匹配，然后通过先遍历匹配到左串，然后匹配到右串，获取到左串在该行字符串的起始编号与右串在该字符串的结束编号。

然后，我们便可以很轻松地使用 String.substring 获取到包含左右标记串的子串，并在之后使用 String.replace 通过 for-each 来处理当前读取行的字符串。

所有修改最终都会返回到原文件。