Java正则表达式提取html纯文本

作者：网络转载发布时间：[ 2015/7/23 10:06:09 ] 推荐标签：测试开发技术编程语言

做内容的大家都知道，从html中直接提取纯文本是一个非常大的问题。现将我做的正则匹配贴上：
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class TestReg {
static String reg = "<[a-zA-Z]+.*?>([sS]*?)</[a-zA-Z]*>";
public static void main(String[] args) {
// TODO Auto-generated method stub
String str = "    我们以Buffer类?始对java.nio包的浏览历程。"
+ "这些类是java.nio的构造基础。这个系列中。我们将尾随《java NIO》书籍一起深入研究缓冲区。"
+ "了解各种不同的类型，并学会如何使用。    一个Buffer对象"
+ "是固定数量的数据容器。其作用是一个存储器，或者分段运输区，在这里数据可被存储并在之后用于检索。"
+ "    Buffer类的家谱：    "
+ "<img src="http://photo.jfq24.com/image/bigger/blog/server/upload/2014-07/user_2/13711406446068247.png" "
+ "title="2014-07-27_1527.png">    一，缓冲区基础"
+ "    1.缓冲区的属性：        "
+ "容量(capacity)：缓冲区可以容纳的数据元素的大数量，这一容量是在缓冲区被创建时设置的，而且永远不能被改变"
+ "        上界(limit): 缓冲区的第一个不能被读或写的元素。"
+ "或者说。缓冲区中现存元素的计数。        位置(position): "
+ "下一个要被读或写的元素的索引，位置会自己主动由对应的get()和put()函数更新。     "
+ "   标记(mark): 一个备忘位置，调用mark()来设定mark=position.调用reset()设定position=mark。"
+ "标记在设定前是没有定义的(undefied)。        这四个属性的关系例如以下：</p";
Pattern p = Pattern.compile(reg， Pattern.MULTILINE);
str = str.replace(" "， "");
Matcher m = p.matcher(str);
while(m.find()) {
String data = m.group(1).trim();
if(!"".equals(data)) {
System.out.println(data);
}
}
}
}