JAVA正则表达式删除html标签和内容

Question

Possible Duplicate:
How to remove HTML tag in Java
RegEx match open tags except XHTML self-contained tags

我想删除特定的 HTML 标记及其内容。

例如，如果 html 是:

<span style='font-family:Verdana;mso-bidi-font-family:
"Times New Roman";display:none;mso-hide:all'>contents</span>

如果标签包含“mso-*”，则必须删除整个标签(开头、结尾和内容)。

Answer 1

如Dave Newton在他的评论中指出，html 解析器是解决问题的方法。如果您确实想以困难的方式做到这一点，这里有一个有效的正则表达式:

    String html = "FOO<span style='font-family:Verdana;mso-bidi-font-family:"
        + "\"Times New Roman\";display:none;mso-hide:all'>contents</span>BAR";
    // regex matches every opening tag that contains 'mso-' in an attribute name
    // or value, the contents and the corresponding closing tag
    String regex = "<(\\S+)[^>]+?mso-[^>]*>.*?</\\1>";
    String replacement = "";
    System.out.println(html.replaceAll(regex, replacement)); // prints FOOBAR