Java正则表达式从html中删除标记

上面的文本是我的html字符串，需要提取头、子、开始日期和结束日期的值。我使用Jsoup来提取值，但我对非html元素标记有问题。API要么跳过这些元素，要么添加一个最初不存在的结束标记

因此，我的想法是用替换非html元素标记，然后使用Jsooup提取值

---

任何建议？？？

您可能希望参考解析HTML文档。您可以使用此api提取和处理数据。

您可以使用此正则表达式提取内容：

<table><tr><td>HEADER</td><td>Header Value <supporting value></td></tr><tr><td>SUB</td><td>sub value. write to <test@gmail.com></td></tr><tr><td>START DATE</td><td>11/23/ 2016</td></tr><tr><td>END DATE</td><td>11/23/2016</td></tr></table>

假设标记布局始终看起来相同

---

虽然不能使用正则表达式解析完整的HTML文档，因为它不是上下文无关语言，但实际上可以进行类似的部分提取。

找到了解决方案，使用模式/]+从HTML字符串中获取所有标记

然后用<>替换除TR和TD之外的所有标签。当我使用Jsoup解析文本时，我得到了所需的值

请在下面查找代码

/<td>[^<]*<([^>]*)><\/td>/

---

}

必须尊重传统：你在寻求解决方案，但你没有很好地定义问题。您在寻找什么模式？@sp00m您不能使用正则表达式来解析整个html文档，但在这种情况下，只能提取一些遵循定义良好的模式的值。@WiktorStribiżew这不太一样。这些不是有效的HTML标记。这不是一个好主意。请参阅。它不是有效的HTML。@shmosel是无效的HTML标记。另一个也一样。@shmosel在做POC时为我工作。我确实使用了Jsoup，当我使用Jsoup解析html字符串时，会自动添加结束标记和。因此，我的计划是找到一个模式并替换非html元素。之后，我将使用Jsoup进行解析。

public class JsoupParser2 {

public static void main(String args[]) {

    String orginalString, replaceString = null;
    HashSet<String> tagSet = new HashSet<String>();
    HashMap<String,String> notes = new HashMap<String,String>();

    Document document = null;
    try{

        //Read the html content as String
        File testFile = new File("C:\\test.html");
        List<String> content = Files.readLines(testFile,  Charsets.UTF_8);
        String testContent = content.get(0);

        //Get all the tags present in the html content
        Pattern p = Pattern.compile("<([^\\s>/]+)");
        Matcher m = p.matcher(testContent);
        while(m.find()) {
            String tag = m.group(1);
            tagSet.add(tag);
        }

        //Replace the tags thats non-html
        for(String replaceTag : tagSet){
            if(!"table".equals(replaceTag) && !"tr".equals(replaceTag) && !"td".equals(replaceTag)){
                orginalString = "<"+replaceTag+">";
                replaceString = "&lt;"+replaceTag+"&gt;";
                testContent = testContent.replaceAll(orginalString, replaceString);
            }
        }

        //Parse the html content
        document = Jsoup.parse(testContent, "", Parser.xmlParser());

        //traverse through TR and TD to get to the values
        //store the values in the map
        Elements pTags = document.select("tr");
        for (Element tag : pTags) {
            if(!tag.getElementsByTag("td").isEmpty()){
                String key = tag.getElementsByTag("td").get(0).text().trim();
                String value = tag.getElementsByTag("td").get(1).html().trim();
                System.out.println("KEY : "+key); System.out.println("VALUE : "+value);
                notes.put(key, value);
                System.out.println("==============================================");
            }
        } 

    }catch (IOException e) {
        e.printStackTrace();
    }catch(IndexOutOfBoundsException ioobe){
        System.out.println("ioobe");
    }
}