一般是用在字符串中有html标签的截取.

如: 后台发布用了在线编辑器, 前台显示内容要截取的情况.

import Java.util.ArrayList;

import java.util.List;

import java.util.regex.Pattern;

import java.util.regex.Matcher;

/**

* @author http://hi.baidu.com/vnplalvyulin

* @version 1.0

*

* 按字节长度截取字符串(支持截取带HTML代码样式的字符串)

* @param param 将要截取的字符串参数

* @param length 截取的字节长度

* @param end 字符串末尾补上的字符串

* @return 返回截取后的字符串

*/

public class SubStringHTML

{

public String subStringHTML(String param,int length,String end) {

StringBuffer result = new StringBuffer();

int n = 0;

char temp;

boolean isCode = false; //是不是HTML代码

boolean isHTML = false; //是不是HTML特殊字符,如

for (int i = 0; i < param.length(); i++) {

temp = param.charAt(i);

if (temp == '

isCode = true;

}

else if (temp == '&') {

isHTML = true;

}

else if (temp == '>' && isCode) {

n = n - 1;

isCode = false;

}

else if (temp == ';' && isHTML) {

isHTML = false;

}

if (!isCode && !isHTML) {

n = n + 1;

//UNICODE码字符占两个字节

if ( (temp + "").getBytes().length > 1) {

n = n + 1;

}

}

result.append(temp);

if (n >= length) {

break;

}

}

result.append(end);

//取出截取字符串中的HTML标记

String temp_result = result.toString().replaceAll("(>)[^<>]*()", "$1$2");

//去掉不需要结素标记的HTML标记

temp_result = temp_result.replaceAll("?(AREA|BASE|BASEFONT|BODY|BR|COL|COLGROUP|DD|DT|FRAME|HEAD|HR|HTML|IMG|INPUT|ISINDEX|LI|LINK|META|OPTION|P|PARAM|TBODY|TD|TFOOT|TH|THEAD|TR|area|base|basefont|body|br|col|colgroup|dd|dt|frame|head|hr|html|img|input|isindex|li|link|meta|option|p|param|tbody|td|tfoot|th|thead|tr)[^<>]*/?>",

"");

//去掉成对的HTML标记

temp_result=temp_result.replaceAll("]*>(.*?)\\1>","$2");

//用正则表达式取出标记

Pattern p = Pattern.compile("]*>");

Matcher m = p.matcher(temp_result);

List endHTML = new ArrayList();

while (m.find()) {

endHTML.add(m.group(1));

}

//补全不成对的HTML标记

for (int i = endHTML.size() - 1; i >= 0; i--) {

result.append("");

result.append(endHTML.get(i));

result.append(">");

}

return result.toString();

}

}