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