使用正则表达式在java中选择HTML正文中具有特定字符的句子

我有一个html页面。我只想在句子/文本末尾有问号的标记中提取文本。我使用：

<.+?>(.+?)<.+?>

（.+？）

获取标签中的文本。但这有两个问题：1-所有嵌套的标记也被提取，我不想要。（我只想要纯文本）2-我只想得到那些标记中的文本，这些标记的末尾有一个问号

我不知道怎么做。有人能帮我一下吗。

---

PS：我拥有的html页面格式不正确，因此，使用诸如JSoup之类的工具不是一种选择。这就是我仅使用正则表达式的原因。

如果有无限嵌套，则检测嵌套和不匹配很困难或不可能，但您可以尝试以下方法：

<(.+?)>(.+?\?)</$1>

（.+？\？）

它匹配再次关闭的标记，并且仅在结尾处带有问号

---

请参见

是否有充分的理由使用正则表达式

您可以自己分析html代码。也许它更快。。。如果

和

final LinkedList chunks=new LinkedList（）；
最终字符串text=“italictextanchor word”；
字符串rest=文本；
int pos；
而（（pos=rest.indexOf（“？>”）！=-1）
{
final int-endTag=rest.indexOf（“”，endTag+1）+1）；
}
System.out.println（块）；

请阅读此答案：并使用HTML解析器，而不是regexps。HTML解析器通常应该对格式错误的文档有很强的抵抗力，所以试试吧。你们能举个格式错误的例子吗？如果您真的无法更正输入，那么简单的、基于非正则表达式的方法将是每次迭代输入字符，当您看到>时，开始缓冲纯文本，直到看到

    final LinkedList<String> chunks = new LinkedList<String>();

    final String text = "<i>italic</i><mytag?>text</mytag?><href>anchor</href> <mySecondTag?>word</mySecondTag?>";

    String rest = text;
    int pos;
    while ( (pos = rest.indexOf("?>") )!=-1)
    {
        final int endTag = rest.indexOf("<", pos);
        chunks.add(rest.substring(pos+2, endTag));
        rest = rest.substring(rest.indexOf(">", endTag+1)+1);
    }


    System.out.println(chunks);