在java中使用正则表达式提取标题标签（h1到h6）的内容[重复]

Question

我想从网页中提取所有标题标签的内容。 我试过这个正则表达式

(?i)<h([1-6].*?)>(.*?)</h([1-6])>

问题是如果head标签是这样的-

<h1><I>Contents</I></h1>

它给了我输出 -

<I>Contents</I>.

我希望它只打印

内容

在输出中。 我应该如何修改？

Answer 1

(?<=\>)(?!\<)(.*)(?=\<)(?<!\>)

即使输入为<h1><I>Contents</I></h1>，这也将起作用。在这里测试一下：https://regex101.com/r/tF7tG7/1

---

说明

使用lookaheads 和lookbehinds，我总是检查你的捕获组的开头是否没有更多的> 字符。然后我捕捉中间的一切。然后，我检查在我捕获的那个之前是否没有更多的<。查看前瞻和后瞻，以获得更清晰的理解。

用 PHP 实现

<?php
$string = "<h1><I>Contents</I></h1>";
preg_match("#(?<=\>)(?!\<)(.*)(?=\<)(?<!\>)#", $string, $matches);
var_dump($matches[1]);

警告

看在上帝的份上，请不要使用正则表达式来解析任何形式的 HTML 或 XML。

主要编辑

(?<=(?!h1|h2|h3|h4|h5|h6)\>)(?!\<)(.+?)(?=\<\/.+?(?=h1|h2|h3|h4|h5|h6))

此正则表达式以您想要的方式解析内容。在这里测试一下：https://regex101.com/r/vM1rI0/1