Как удалить тексты между <ref>и </ref>

Question

У меня есть текст в тегах HTML в документе.Текст выглядит примерно так:

I need this text <ref> Some unwanted text </ref> I need this text too

и

I need this text <ref Some random text /> I need this text too

Как удалить нежелательный текст вместе с тегами?

---

Я пытался использоватьэто регулярное выражение.Но это не работает.

<ref(.*?)>(.*?)</ref>

и

<ref(.*?)>

Попробовать этот способ в Java не помогает:

regex = "<ref(.*?)>(.*?)</ref>";
p = Pattern.compile(regex, Pattern.CASE_INSENSITIVE | Pattern.DOTALL | Pattern.MULTILINE); 
m = p.matcher(s);
while(m.find()){
   m.replaceAll(" ");           
}

Любая идея, как получитьрешение?

Answer 1

Во-первых, используйте анализатор HTML.Регулярные выражения не смогут надежно справиться с этой задачей, если HTML станет сложным.

Во-вторых, ваши регулярные выражения кажутся правильными и работают как и ожидалось на простых примерах (после того, как я изменился < до <, то есть, но я подозреваю, что вы внесли это изменение при публикации вопроса, думая, что StackOverflow неправильно его интерпретирует).Проблема может быть в вашем коде Java, а не в самом регулярном выражении.Я не знаком с API регулярных выражений Java, поэтому позволю кому-то еще взвесить это:)

Answer 2

Строки являются неизменяемыми, поэтому replaceAll(), как и любой другой метод «строкового преобразования», возвращает результат в виде новой строки.

String[] ss = { 
    "I need this text <ref> Some unwanted text </ref> I need this text too",
    "I need this text <ref Some random text /> I need this text too"
};

String r = "<ref(.*?)>(.*?)</ref>|<ref(.*?)>";

Pattern p = Pattern.compile(r, Pattern.CASE_INSENSITIVE | Pattern.DOTALL);
for (String s0 : ss)
{
  Matcher m = p.matcher(s0);
  String s1 = m.replaceAll("");
  System.out.printf("%n%s%n%s%n", s0, s1);
}

output:

I need this text <ref> Some unwanted text </ref> I need this text too
I need this text I need this text too

I need this text <ref Some random text /> I need this text too
I need this text I need this text too

Некоторые другие примечания:

• Когда я консолидировал ваши регулярные выражения, япришлось использовать более длинный как альтернативу first .Важно, чтобы их пробовали в таком порядке, потому что более короткий (для пустых / самозакрывающихся тегов) может совпадать в обычном теге, где вы этого не хотите.

• Вам не нужно звонить find();это первое, что делает replaceAll().Если совпадений нет, он просто возвращает исходную строку.

• Флаг MULTILINE не принес ничего полезного, поскольку якоря строк нет (^ и * 1035).*) в вашем регулярном выражении (или в моем).

Answer 3

1. Следует избегать парсинга HTML с помощью RegEx .

2. Так как у вас относительно простой, скажем, мы пойдем на это. Вы соответствуете фактическому HTML, поэтому вам не нужен <, вам нужен фактический < (>, > соответственно).

   <ref[^>]*/>|<ref>[^<]*</ref>
   

   Должен сделать свое дело, насколько я знаю, я не использовал регулярные выражения в Java, поэтому я не знаю, есть ли необходимость экранировать / в нем.