正则表达式匹配html标签，获取标签内容

如何获取html中正文的内容

假设我们要获取下面html标签中的内容：

<p>桥边姑娘</p><p>你的芬芳</p><p>我把你放心上</p><p>不想让你流浪</p>

<p><span style="white-space: normal;">王者荣耀</span></p>

第一段是获取<p></p>标签内部的数据，第二个是获取<p><span></span></p>标签中的数据，其中span标签中有style属性值。

使用过正则表达式的同学肯定知道，上面两种情况其实都是一种情况，我们要获取的是尖括号括起来的一对标签中间的数据，起始标签形如<x>，结束标签形如</x>，这里的x表示的html标签。

定义正则表达式

此外，我们还需要考虑起始标签中包含style的数据，另外特殊的<br/>标签，对实际获取数据无意义，也需要过滤掉。

通过上面的分析，我们可以如下正则表达式：

<[a-zA-Z]+.*?>([\s\S]*?)</[a-zA-Z]*?>

具体处理过程

数据预处理

在使用正则表达式处理之前，我们先对数据进行预处理，比如style和<br/>标签：

/**
 * 替换掉html标签里面的style内容
 *
 * @param content
 * @return
 */
public static String replaceStyle(String content) {
    if (content == null || content.length() == 0) {
        return content;
    }
    String regEx = " style=\"(.*?)\"";
    Pattern p = Pattern.compile(regEx);
    Matcher m = p.matcher(content);
    if (m.find()) {
        content = m.replaceAll("");
    }
    return content;
}

/**
 * 移除掉</br>标签
 *
 * @param src
 * @return
 */
public static String removeBrTag(String src) {
    if (src != null && !src.isEmpty()) {
        src = src.replaceAll("<br/>", "");
    }
    return src;
}

针对标签嵌套的情况

针对多个标签嵌套的情况进行处理，比如 <p><span style="white-space: normal;">王者荣耀</span></p>，在经过预处理和正则匹配的后结果是 <span>王者荣耀，需要手工移除掉前面的起始标签，对应的方法如下：

/**
 * 针对多个标签嵌套的情况进行处理
 * 比如 <p><span style="white-space: normal;">王者荣耀</span></p>
 * 预处理并且正则匹配完之后结果是 <span>王者荣耀
 * 需要手工移除掉前面的起始标签
 * @param content
 * @return
 */
public static String replaceStartTag(String content) {
    if (content == null || content.length() == 0) {
        return content;
    }
    String regEx = "<[a-zA-Z]*?>([\\s\\S]*?)";
    Pattern p = Pattern.compile(regEx);
    Matcher m = p.matcher(content);
    if (m.find()) {
        content = m.replaceAll("");
    }
    return content;
}

具体匹配方法

/**
 * 匹配html标签，例如"<p>xxx</p>"这种格式
 */
private static Pattern HTML_TAG_PATTERN = Pattern.compile("<[a-zA-Z]+.*?>([\\s\\S]*?)</[a-zA-Z]*?>");

/**
 * 获取html中的数据
 * @param htmlString
 * @return
 */
public static List<String> getResultsFromHtml(String htmlString) {
    List<String> results = new ArrayList<>();
    // 数据预处理
    htmlString = replaceStyle(removeBrTag(htmlString));
    if (htmlString != null && htmlString.length() > 0) {
        Matcher imageTagMatcher = HTML_TAG_PATTERN.matcher(htmlString);
        // 针对多个并列的标签的情况
        while (imageTagMatcher.find()) {
            String result = "";
            // group(1)对应正则表达式中的圆括号括起来的数据
            result = imageTagMatcher.group(1).trim();

            // 针对多个标签嵌套的情况进行处理
            if (result != null && result.length() > 0) {
                result = replaceStartTag(result);
            }

            results.add(result);
        }
    }
    return results;
}

测试验证

测试方法如下：

public static void main(String[] args) {
    String ss = "<p>桥边姑娘</p><p>你的芬芳</p><p>我把你放心上</p><p>不想让你流浪</p>";
    List<String> results = getResultsFromHtml(ss);
    System.out.println("results:" + results);

    String ss1 = "<p><span style=\"white-space: normal;\">王者荣耀</span></p>";
    List<String> results1 = getResultsFromHtml(ss1);
    System.out.println("results1:" + results1);
}

output:

results:[桥边姑娘, 你的芬芳, 我把你放心上, 不想让你流浪]
results1:[王者荣耀]