Java 正则表达式还是 XML 解析器？

Question

我想删除任何标签，例如

<p>hello <namespace:tag : a>hello</namespace:tag></p>

成为

 <p> hello hello </p>

如果它是正则表达式，由于某种原因现在正在工作，那么最好的方法是什么？任何人都可以帮忙吗？

(<|</)[:]{1,2}[^</>]>

编辑： 额外

Answer 1

一定要使用 XML 解析器。 正则表达式不应用于解析 *ML

Answer 2

您不应该将正则表达式用于这些目的，使用诸如 lxml 或 BeautifulSoup

>>> import lxml.html as lxht
>>> myString = '<p>hello <namespace:tag : a>hello</namespace:tag></p>'
>>> lxht.fromstring(myString).text_content()
'hello hello'

这是一个 原因为什么你不应该用正则表达式解析html/xml。

Answer 3

如果您只是想从一些简单的 XML 中提取纯文本，最好的（最快、最小的内存占用）是对数据运行 for 循环：

PSEUDOCODE BELOW

bool inMarkup = false;
string text = "";
for each character in data // (dunno what you're reading from)
{
    char c = current;
    if( c == '<' ) inMarkup = true;
    else if( c == '>') inMarkup = false;
    else if( !inMarkup ) text += c;
}

注意：这如果你在解析中遇到 CDATA、JavaScript 或 CSS 之类的东西，就会崩溃。

所以，总结一下......如果很简单，请执行上面的操作而不是正则表达式。如果不是那么简单，请听听其他人的意见并使用高级解析器。

Answer 4

这是我个人用于解决java中类似问题的解决方案。用于此目的的库是 Jsoup ：http://jsoup.org/。

在我的特定情况下，我必须解开包含具有特定值的属性的标签。您会看到这段代码中反映出来，它不是这个问题的确切解决方案，但可以帮助您解决问题。

  public static String unWrapTag(String html, String tagName, String attribute, String matchRegEx) {
    Validate.notNull(html, "html must be non null");
    Validate.isTrue(StringUtils.isNotBlank(tagName), "tagName must be non blank");
    if (StringUtils.isNotBlank(attribute)) {
      Validate.notNull(matchRegEx, "matchRegEx must be non null when an attribute is provided");
    }    
    Document doc = Jsoup.parse(html);
    OutputSettings outputSettings = doc.outputSettings();
    outputSettings.prettyPrint(false);
    Elements elements = doc.getElementsByTag(tagName);
    for (Element element : elements) {
      if(StringUtils.isBlank(attribute)){
        element.unwrap();
      }else{
        String attr = element.attr(attribute);
        if(!StringUtils.isBlank(attr)){
          String newData = attr.replaceAll(matchRegEx, "");
          if(StringUtils.isBlank(newData)){
            element.unwrap();
          }
        }        
      }
    }
    return doc.html();
  }