Java 删除带有正则表达式的MS Word链接

我正在解析MS Word文档，并使用ApachePOI获取文本

对于这样的段落：

最受欢迎的水果是苹果和香蕉（见下文第“”节和第“”小节）

我得到一条如下所示的字符串：

最受欢迎的水果是苹果和香蕉（见下文“\u0013 HYPERLINK\\l”\u0001\u0014常见水果\u0015”和“\u0013 HYPERLINK\\l\”\u0001\u0014详细植物描述\u0015”小节）。

也有不同类型的标记或关键字使用“PAGEREF”而不是“HYPERLINK”，但它们似乎总是遵循模式

\u0013 TAGWORD{String1}\u0001\u0014{String2}\u0015

所以我想做的是删除所有东西，除了

{String2}

。到目前为止，我已经做了：

正则表达式模式

\u0013（.*？\u0014

-结果：

{String2}\u0015

（从一个SO页面获取，我再也找不到了）

RegEx模式

\[A-Za-z0-9]+

删除最终的

\u0015

-没有发生任何事情。我想表达的是，删除这个单词（包含字符和数字），包括它后面的反斜杠。还尝试了

\\[A-Za-z0-9]+

，结果相同

RegEx模式

\u0013（.*u0015

删除整个链接结构

由于

\u0013（.*？）\u0014（.*？\u0015

执行相同的操作（删除所有），因此我尝试了

\u0013（.*？\u0014[^（.*？）\u0015

，但它没有执行任何操作

备选方案：While循环

boolean textWasChanged = true;
while (textWasChanged) {
    int idx1 = text.indexOf("\u0013");
    int idx2 = text.indexOf("\u0014", idx1);
    if (idx1 > -1 && idx2 > -1 && text.replace(text.substring(idx1, idx2+1), "").length() < text.length()) {
        textWasChanged = true;
        text = text.replace(text.substring(idx1, idx2+1), "");
    } else {
        textWasChanged = false;
    }

}
text = text.replaceAll("\u0015", "");

boolean textWasChanged=true；
while（textwaschange）{
int idx1=text.indexOf（“\u0013”）；
int idx2=text.indexOf（“\u0014”，idx1）；
if（idx1>-1&&idx2>-1&&text.replace（text.substring（idx1，idx2+1））.length（）

手动移除是可行的，但我想知道它是否可以简化为一个衬里或其他东西

或者更具体地说：

如何编写只保留

{String2}

的正则表达式模式？从regex手册来看，这似乎是可能的。我就是不能把我的头绕过去

第2步和/或第4步中我的错误在哪里？我刚刚否定了

（.*）

部分，这就是我想要保留的。但我显然不懂regex enoug

---

您可以使用以下

模式

替换实体：

String raw = "The most popular fruits were apples and bananas "
        + "(see section ‘\\u0013 HYPERLINK \\l \"_Common_fruit_types\\\" "
        + "\\u0001\\u0014Common fruits\\u0015’ and subsection ‘\\u0013 HYPERLINK \\l"
        + "\\\"_Botanic_description\\\" "
        + "\\u0001\\u0014Detailed botanic descriptions\\u0015’ below).";

// test
System.out.printf("Raw string: %s%n%n", raw);
//                           | escaped back slash
//                           | | escaped unicode point
//                           | |      | any 1+ character, reluctant
//                           | |      |  | escaped \ and unicode point
//                           | |      |  |        | group 1: your goal
//                           | |      |  |        |    | escaped final \ + unicode point
Pattern p = Pattern.compile("\\\\u0013.+?\\\\u0014(.+?)\\\\u0015");
Matcher m = p.matcher(raw);
while (m.find()) {
    System.out.printf("Found: %s%n", m.group(1));
}
System.out.println();

// actual replacement
System.out.printf(
    "Replaced: %s%n", 
    raw.replaceAll("\\\\u0013.+?\\\\u0014(.+?)\\\\u0015", "$1")
);

输出（为清晰起见，人为添加了换行符）

---

非常感谢你！它工作得很好！必须将四个“\”减少到两倍，因为奇怪符号的原始字符串似乎真的是

\u0013

，而不是

\\u0013

（但它是

\\l

，我会马上纠正）。也非常感谢您对所使用的正则表达式模式的解释！非常有用：-）

Raw string: The most popular fruits were apples and bananas (see section 
‘\u0013 HYPERLINK \l "_Common_fruit_types\" \u0001\u0014Common fruits\u0015’ 
and subsection ‘\u0013 HYPERLINK \l\"_Botanic_description\" 
\u0001\u0014Detailed botanic descriptions\u0015’ below).

Found: Common fruits
Found: Detailed botanic descriptions

Replaced: The most popular fruits were apples and bananas 
(see section ‘Common fruits’ and subsection ‘Detailed botanic descriptions’ below).