正则表达式：java中匹配HTML中a标签中的中文字符

今天群里一位朋友问到了一个正则表达式的问题，有如下内容：

特432

453543

a1特123你好123吗？

特2

标签中的文字现在要匹配出内容包含中文但标签的属性中不包含comment的标签中的汉字。

解决思路如下：

1、首先匹配出不包括comment的标签；

2、在匹配结果中进行二次匹配出中文；

代码如下：

package com.mmq.regex;

import java.util.regex.Matcher;

import java.util.regex.Pattern;

/**

* @use 匹配HTML的标签中的中文字符

* @ProjectName stuff

* @Author mumaoqiang

* @Date 2012-7-24 下午04:59:27

* @FullName com.mmq.regex.MatchChineseCharacters.java

* @JDK 1.6.0

* @Version 1.0

*/

public class MatchChineseCharacters {

/**

* 根据输入的内容，匹配出包含中文但不包含comment的标签中的中文字符

* @param source 要匹配的内容

* @return 标签中的中文字符

*/

public static String matchChineseCharacters(String source) {

//匹配出包含中文但不包含comment的标签

String reg = "()([^<>]*?[\\u4e00-\\u9fa5]+[^<>]*?)+(?=)";

Pattern pattern = Pattern.compile(reg);

Matcher matcher = pattern.matcher(source);

StringBuilder character = new StringBuilder();

while(matcher.find()){

String result = matcher.group();

System.out.println(result);

//对结果进行二次正则，匹配出中文字符

String reg1 = "[\\u4e00-\\u9fa5]+";

Pattern p1 = Pattern.compile(reg1);

Matcher m1 = p1.matcher(result);

while(m1.find()){

character.append(m1.group());

}

//System.out.println(character.toString());

}

return character.toString();

}

public static void main(String[] args) {

String result = matchChineseCharacters("特432453543a1特123你好123吗？特2标签中的文字");

System.out.println(result);

}

}输出结果如下：

a1特123你好123吗？

标签中的文字

特你好吗标签中的文字

这里做一下解释：

String reg = "()([^<>]*?[\\u4e00-\\u9fa5]+[^<>]*?)+(?=)";

这个匹配内容包含中文但标签的属性中不包含comment的标签的正则中，不能使用向后查找?<=，因为向后查找只能是固定长度的内容，这里标签中属性不确定，所以不能使用；[\\u4e00-\\u9fa5]+匹配中文字符串；而(?=)使用向前查找?=，在结果中不会包含结束标签。

这个问题就这样得到解决了。如果说要匹配指定标签中的指定内容，那么也是很容易改进的了。若有更好的正则，还请留言相互学习。

http://blog.csdn.net/mhmyqn/article/details/7781061