酷笔记 > 正则表达式手册 > 正则表达式:java中匹配HTML中a标签中的中文字符

今天群里一位朋友问到了一个正则表达式的问题,有如下内容:


<a href='www.baidu.comds=id32434#comment'rewr>特432</a>
453543
<a guhll,,l>a1特123你好123吗?</a>
<a href=id=32434#comment'ewrer>特2</a>
<a>标签中的文字</a>


现在要匹配出内容包含中文但标签的属性中不包含comment的<a>标签中的汉字。


解决思路如下:

1、首先匹配出不包括comment的<a>标签;

2、在匹配结果中进行二次匹配出中文;

代码如下:


package com.mmq.regex;

import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
 * @use 匹配HTML的<a>标签中的中文字符
 * @ProjectName stuff
 * @Author <a href="mailto:mhmyqn@qq.com">mumaoqiang</a></br>
 * @Date 2012-7-24 下午04:59:27 </br>
 * @FullName com.mmq.regex.MatchChineseCharacters.java </br>
 * @JDK 1.6.0 </br>
 * @Version 1.0 </br>
 */
public class MatchChineseCharacters {
	/**
	 * 根据输入的内容,匹配出包含中文但不包含comment的<a>标签中的中文字符
	 * @param source 要匹配的内容
	 * @return <a>标签中的中文字符
	 */
	public static String matchChineseCharacters(String source) {
		//匹配出包含中文但不包含comment的<a>标签
		String reg = "<a((?!comment).)*?>([^<>]*?[\\u4e00-\\u9fa5]+[^<>]*?)+(?=</a>)";
		Pattern pattern = Pattern.compile(reg);
		Matcher matcher = pattern.matcher(source);
		StringBuilder character = new StringBuilder();
		while(matcher.find()){
			String result = matcher.group();
			System.out.println(result);
			//对结果进行二次正则,匹配出中文字符
			String reg1 = "[\\u4e00-\\u9fa5]+";
			Pattern p1 = Pattern.compile(reg1);
			Matcher m1 = p1.matcher(result);
			while(m1.find()){
				character.append(m1.group());
			}
			//System.out.println(character.toString());
		}
		return character.toString();
	}
	
	public static void main(String[] args) {
		String result = matchChineseCharacters("<a href='www.baidu.comds=id32434#comment'rewr>特432</a>453543<a guhll,,l>a1特123你好123吗?</a><a href=id=32434#comment'ewrer>特2</a><a>标签中的文字</a>");
		System.out.println(result);
	}
	
}


 输出结果如下:


<a guhll,,l>a1特123你好123吗?
<a>标签中的文字
特你好吗标签中的文字


这里做一下解释:


    String reg = "<a((?!comment).)*?>([^<>]*?[\\u4e00-\\u9fa5]+[^<>]*?)+(?=</a>)";


这个匹配内容包含中文但标签的属性中不包含comment的<a>标签的正则中,不能使用向后查找?<=,因为向后查找只能是固定长度的内容,这里<a>标签中属性不确定,所以不能使用;[\\u4e00-\\u9fa5]+匹配中文字符串;而(?=</a>)使用向前查找?=,在结果中不会包含结束标签</a>。

这个问题就这样得到解决了。如果说要匹配指定标签中的指定内容,那么也是很容易改进的了。