Java 使用scanner和regex在没有解析器的情况下从网页中提取除了标记以外的所有内容？

在Android SDK上工作，它是Java减去一些东西

我有一个解决方案，可以从网页中提取两个正则表达式模式。我遇到的问题是，它在HTML标记中查找内容。我试过jTidy，但在安卓上太慢了。不知道为什么，但我的扫描器正则表达式匹配解决方案多次鞭打它

目前，我将页面源抓取到IntputStream中

is = uconn.getInputStream();

匹配和摘录如下：

Scanner scanner = new Scanner(in, "UTF-8");
String match = "";   
while (match != null) {   
    match = scanner.findWithinHorizon(extractPattern, 0);   
    if (match != null) {   
        String matchit = scanner.match().group(grp);  

它工作得很好，速度也很快

我的正则表达式模式已经有点疯狂了，实际上是一个或类似于这样的两个模式（p1 | p2）

关于如何“但不在HTML标记内”或在开始时排除HTML标记，有什么想法吗？

---

如果我可以从源代码中排除HTML标记，这可能会大大加快我的界面速度，因为我还需要对原始数据执行一些其他操作。

为什么不使用解析HTML（ergo xml）

可以做的一件事是为收尾角括号添加一个前瞻：

(p1|p2)(?![^<>]*+>)

但再一次，作为一个普遍的解决方案，出于我上面提到的原因，这太脆弱了。如果您确定这些解决方案中的一个（或任何正则表达式解决方案）与您正在处理的特定页面兼容，那么您应该只使用这些解决方案中的一个。

不是这样的，是吗？

((?:<[^<>]++>)++)(p1|p2)

MatchResult match = scanner.match();
if (match.start(1) != -1) {
    // keep searching
}