去掉HTML中的部分正文内容

最近有一个比较奇怪的需求，就是，要删除掉HTML中的某段文本，但是不能删除HTML标签，
如<b>(hello word)</b>中的(hello word)
我们可以很容易通过正则替换掉。但标签变得特别复杂的时候呢，我们改这如何替换
如：<span style="XXXXX">你好，我想要去掉后<i>面的(hello</i><br> <b>word</b>)内容<span>
这个时候，如果直接替换就可能会将中间的一些标签体也替换掉,这不是我们想要的效果，这个时候，我们该怎么办呢？
这篇博客就是要解决关于HTML中某段内容的过滤

在分享内容之前，先说一下，如果各位有好的开源项目或jar可以给博主留言或发送电子邮件whb3299065@126.com

好了我们先说一下思路，如果是着急的童鞋，可以直接跳过这里，在最后，有我们的一个demo

首先，我们去观察一下数据：
<span style="XXXXX">你好，我想要去掉后<i>面的(hello</i><br> <b>word</b>)内容</span>
发现我们的内容前后或是正文中由于有很多标签，字符串干扰，使得我们提取变得复杂化。我的想法就是，通过正则表达式，先将内容匹配出来，然后将标签过滤掉。
步骤：

1. 将要替换的内容进行加工，加工成为一个正则表达式

    我的做法是将字符串遍历，在每个字符前后加入：\\s*(<.*?>)?\\s*这样的标记

生成（\s*(<.?>)?\s* h\s(<.?>)?\s* e\s(<.?>)?\s*l\s(<.?>)?\s*l\s(<.?>)?\s*o\s(<.?>)?\s \s*(<.?>)?\s*w\s(<.?>)?\s*o\s(<.?>)?\s*r\s(<.?>)?\s*d\s(<.*?>)?\s* ）
这样我们可以通过字符串matches函数，检查html中是包含我们需要替换的数据

2.过滤标签

    最开始，我是靠一个一个字符读取，先找到开始位置和结束位置，如果发现是开始位置，就只读取'>'字符后面的内容，如果读取到'<'则不进行读取。这样将读取到的内容添加到一个变量中，
    后来，我发现，通过正则表达式可以更完美的实现我们想要的效果，就是将需要的内容作为捕获组，进行捕获，将不需要的位置，不对其捕获，具体就是在上面生成的正则前后加上"(.*?)",以及在其后加上"(.*)",然后就可以通过group进行抓取了

3.避坑指南

    这个dome只是我写的一个小程序，如果你仔细推敲会发现有很多漏洞，比如，字符的转义并不完全，等 一个段落中有多个符合要求的内容，还有，我并没有对多行文本匹配进行解决……但是这个工具用在我的项目中已经是足够的。所以，当你要使用时，一定要避免这些问题
    另外如果你将这个工具拿去直接使用的话，我想你一定会被你的领导批评的，因为这个函数中想做的事情太多了，正真使用应该将它重构，将函数分解

//移除html指定内容
    public static String removeTextForHtmlTest(String html, String text) throws Exception {
        String data = "";
        String reqText = "";
        for (int i = 0; i < text.length(); i++) {
            char c = text.charAt(i);
            String aTextChar;
            switch (c) {
                case '(':aTextChar = "\\(";break;
                case '.':aTextChar = "\\.";break;
                case '*':aTextChar = "\\*";break;
                case ')':aTextChar = "\\)";break;
                default:aTextChar = "" + c;
            }
            reqText += aTextChar + "\\s*(<.*?>)?\\s*";
        }
        reqText = reqText.substring(0, reqText.lastIndexOf("\\s*(<.*?>)?\\s*"));
        Pattern pattern = Pattern.compile("(.*?)"+reqText+"(.*)");
        try {
            Matcher matcher = pattern.matcher(html);
            while (matcher.find()) {
                for (int i = 1; i < matcher.groupCount()+1; i++) {
                    if (StringUtils.isNotBlank(matcher.group(i)))
                    data+=matcher.group(i);
                }
            }
        } catch (IllegalStateException e) {throw new Exception("没有发现对应数据");}
        System.out.println(data);
        return data;
    }

结果：

html:<span style="XXXXX">你好，我想要去掉后<i>面的(hello</i><br> <b>word</b>)内容<span>
text:(hello word)
<span style="XXXXX">你好，我想要去掉后<i>面的</i><br><b></b>内容<span>

当然，这段代码我已经重构过三次了，之所以发出的是没有经过重构的，是因为我太懒了