java取文本首位_Java使用正则表达式获取文本的章节名称

获取文本的章节，首先要确定章节的开始标准，一般中文的章节都是以“第”开头，第一章、第二章等。所以使用“^”字符来确定首位，但是很多时候章节前面会有空白字符，所有以“第”作为章节的开始，进行以下的匹配

^\\s*第

“\s”表示空白字符，加上“*”表示0到多个空白字符，“^”表示是以空白字符加上“第作为开始的”。如果需要匹配的字符串不是在段落的开始，把“^”去掉即可。

章节的序号格式不统一，有可能是阿拉伯数字，也有可能是中文，长度一般不会超过9位，所以以任意字符来匹配

.{1,9}

“.”表示任意字符，“{1,9}”表示长度最小1次，最大9次。

章节序号后面是修饰

[章节卷集部篇回]

“[]” 表示里面的字符有一个出现了，“[]”匹配单字符，相当于 “章”或“节”或“卷”或“集”或“部”或“篇”或“回” 出现了。

在标题前面一般有空白字符，也有可能没有所以添加空白字符的匹配

\\s*

章节标题可以是任意字符，任意字符是“.”，0到多个任意字符就是

.*

一般章节过后就是换行，所以最后要有换行的匹配

\n|\r|\r\n

将上面的所有正则组合成一个就是

(^\\s*第)(.{1,9})[章节卷集部篇回](\\s*)(.*)(\n|\r|\r\n)

这个正则表达式中一个有个6个group，整个表达式是第一个group，每个“()”里面的就是一个group，[章节卷集部篇回]是一个group，完成了正则表达式，我们就可以用Java获取段落的章节标题了。

public class TestRegex {

/**

* @param args

*/

public static void main(String[] args) {

String testString = "第一回 风雪惊变\r\n 钱塘江浩浩江水，日日夜夜无穷无休的从临安牛家村边绕过，东流入海。";

Pattern p = Pattern.compile("(^\\s*第)(.{1,9})[章节卷集部篇回](\\s*)(.*)(\n|\r|\r\n)");

Matcher matcher = p.matcher(testString);

while (matcher.find()) {

for (int i = 0; i <= matcher.groupCount(); i++) {

System.out.println("group" + i + " : " + matcher.start(i) + " - " + matcher.end(i));

System.out.println(matcher.group(i));

}

}

}

}

输出结果：

group0 : 0 - 9

第一回 风雪惊变

group1 : 0 - 1

第

group2 : 1 - 2

一

group3 : 3 - 4

group4 : 4 - 8

风雪惊变

group5 : 8 - 9

java通过URL获取文本内容