使用 Java Regex 从 html 文件中删除二进制数据答案

【问题标题】：Remove binary data from html file using Java Regex使用 Java Regex 从 html 文件中删除二进制数据
【发布时间】：2018-05-02 13:28:51
【问题描述】：

我有一个带有二进制数据标签的 html 文件，例如：

<HTML>
  <BODY STYLE="font: 10pt Times New Roman, Times, Serif">
    <TEXT>
      begin 644 image_002.jpg
        M_]C_X  02D9)1@ ! 0   0 !  #_VP!#  @&!@<&!0@'!P<)"0@*#!0-# L+
        M#!D2$P\4'1H?'AT:'!P@)"XG("(L(QP<*#<I+# Q-#0T'R<Y/3@R/"XS-#+_
        MVP!# 0D)"0P+#!@-#1@R(1PA,C(R,C(R,C(R,C(R,C(R,C(R,C(R,C(R,C(R
       ,Z4]1]: %HHHIB/_9
    end
   </TEXT>
   <TEXT>losses occurring in the third quarter and from weather  </TEXT>
  </BODY>
</HTML>

所以我正在尝试使用 Java Regex 删除所有具有二进制数据的“TEXT”标签。我试过Jsoup library 但它只删除了html标签。我看到了同样的问题here。但它没有使用 Java 正则表达式。

是否有任何标准方法可以从 html 文件中删除此二进制数据？

【问题讨论】：

标签： java regex jsoup

【解决方案1】：

   val regex =  """<TEXT>\s*begin \d+ (?>[^e]+|e(?!nd\s*<\/TEXT>))*end\s*<\/TEXT>"""

提供完整示例here

【讨论】：

【解决方案2】：

众所周知，您不应该使用正则表达式来处理 xhtml。

我会使用 jsoup 删除整个标签，然后将其添加为空。

但是如果你想使用正则表达式，那么你可以像这样使用正则表达式：

"your html here".replaceAll("(?s)<TEXT>.*?<\\/TEXT>", "<TEXT></TEXT>")

Working demo

【讨论】：

感谢您的帮助。我试图只删除具有二进制数据的“”。不是所有的标签。它不起作用。
@Sky 好的，使用有效和无效标签的样本相应地更新您的问题，以便我可以更新答案以帮助您