去除 XML 标记的 Java 正则表达式不起作用答案

【问题标题】：Java regex to strip out XML tags is not working去除 XML 标记的 Java 正则表达式不起作用
【发布时间】：2013-03-08 13:02:42
【问题描述】：

我正在尝试从 Java 字符串中删除任何 XML 标记。在我看来，如果它遵循以下一种或两种形式，那么它就是一个 XML 标记：

<*>*<*/*>，如<fizz>buzz< /fizz>；或
<*/*>，如< fizz />

我的正则表达式很简单：

String tagful = "Hello <fizz>buzz</fizz>Regexes!";
String tagless = tagful.replaceAll("<*>*<*/*>", "");
tagless = tagless.replaceAll("<*/*>", "");
System.err.println("TAGLESS:\n\t" + tagless);

当我运行它时，我得到Hello <fizzbuzz</fizzRegexes! 作为输出，而（如果我的 XML 剥离代码是正确的），我应该得到Hello Regexes!。我会误入歧途吗？

请注意：我不想使用任何现有的库；我在这里寻找一个纯 Java 正则表达式解决方案。提前致谢！

【问题讨论】：

您无法使用正则表达式解析 XML。 为什么您反对为此使用适当的解析器？
"*" 不是 Java 正则表达式（或大多数正则表达式）中的通配符。它是一个“零个或多个”量词，它被应用于它之前的任何东西。单字符通配符正则表达式是“。” （点或句号）。
[剥离标签（只去除标签）]和[去除标签及其里面的所有内容]是不同的。我不知道你想用这个实现什么。

标签： java xml regex

【解决方案1】：

您需要将您的* 更改为.*?。试试"<.*?>.*?</.*?>" 和"<.*?/>"。
或者只是"<.*?>.*?</.*?>|<.*?/>"

* 表示该元素之前可以出现 0 次或更多次。
. 表示“新行标记之外的任何内容”。

所以<.*> 将接受介于< 和> 之间的任何内容。

但在这种形式中.* 是贪婪的，并且在诸如"<abc>def<ghi>" 之类的字符串中将匹配"abc>def<ghi" 部分。

为了使其匹配最小集合，我们需要在* 之后使用?。

【讨论】：

@khachik 搜索“勉强量词”
宾果邦戈邦戈！您将在 7 分钟内获得绿色支票。

【解决方案2】：

也许你想要这样的东西 - 它会替换任何标签（即''），无论标签的属性或人字形内容如何，无论你想如何称呼它

String tagful = "Hello <fizz>buzz</fizz>Regexes!";
String tagless = tagful.replaceAll("<[^>]*>", "");
//tagless = tagless.replaceAll("<*/*>", "");
System.err.println("TAGLESS:\n\t" + tagless);

【讨论】：

感谢@Tucker (+1) - 但您的解决方案打印出Hello buzzRegexes!

【解决方案3】：

你也可以试试这个..

String tagful = "Hello <fizz>buzz</fizz>Regexes!";
String tagless = tagful.replaceAll("\\<.*?\\>", "");
System.out.println("TAGLESS:\n\t" + tagless);

【讨论】：