Java抽取HTML内容

利用Java抽取HTML中的内容当然不想JavaScript中那么简单（obj.innerHTML），但绝对是可以实现的，这里给大家介绍一种。

思路很直接：利用正则表达式配置html代码，然后删除这些代码。
当然还有一种方法是直接配置中文，这种方法虽然明显有问题，但对纯中文内容还是很准确。两种方法这里都提供。

我们需要配置的文字如下：

<td><a target=\"_blank\" href=\"http://www.baidu.com/baidu?cl=3&tn=baidutop10&fr=top1000&wd=%A1%B6%CC%C6%C9%BD%B4%F3%B5%D8%D5%F0%A1%B7%B9%AB%D3%B3\">《唐山大地震》公映</a></td>

我们需要从中抽取出“[u]唐山大地震》公映[/u]”

[b]方法一：查找出html标签，然后删除[/b]

public void findContent(){
		// 配置html标记。
		Pattern p = Pattern.compile("<(\\S*?)[^>]*>.*?| <.*? />");
		String html = "<td><a target=\"_blank\" href=\"http://www.baidu.com/baidu?cl=3&tn=baidutop10&fr=top1000&wd=%A1%B6%CC%C6%C9%BD%B4%F3%B5%D8%D5%F0%A1%B7%B9%AB%D3%B3\">《唐山大地震》公映</a></td>";
		Matcher m = p.matcher(html);

		String rs = new String(html);
		// 找出所有html标记。
		while (m.find()) {
			System.out.println(m.group());
			// 删除html标记。
			rs = rs.replace(m.group(), "");
		}
		System.out.println("-----");
		System.out.println(rs);
	}

[b]方法二：匹配双字节字符(包括汉字在内)：[^\x00-\xff][/b]
评注：可以用来计算字符串的长度（一个双字节字符长度计2，ASCII字符计1）

public void findContent2(){
		// 匹配双字节字符(包括汉字在内)
		Pattern p = Pattern.compile("[^\\x00-\\xff]");
		String html = "<td><a target=\"_blank\" href=\"http://www.baidu.com/baidu?cl=3&tn=baidutop10&fr=top1000&wd=%A1%B6%CC%C6%C9%BD%B4%F3%B5%D8%D5%F0%A1%B7%B9%AB%D3%B3\">《唐山大地震》公映</a></td>";
		Matcher m = p.matcher(html);

		while (m.find()) {
			System.out.print(m.group());
		}
	}

好了，以上是我提供的两种方法，希望对大家有些帮助，也希望大家提供更多更好的方法。

文章地址：[url]http://javapub.iteye.com/blog/719658[/url]