您的位置：首页 > 编程语言 > Java开发

JAVA截取带有HTML的字符串[转]

2013-07-02 18:17 417 查看

import java.util.ArrayList;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

@SuppressWarnings({"unchecked" })
public class CutHtml {
    static String htmlMatch = "";

    // 通过递归删除html文件中的配对的html标签

    public static String removeMatchHtmlTag() {
        // String html="<p></p><table><tr><td></td><td></td></tr></table>";
        Pattern p = Pattern.compile("<([a-zA-Z]+)[^<>]*>(.*?)</\\1>");
        Matcher m = p.matcher(htmlMatch);
        if (m.find()) {
        //  System.out.println(htmlMatch);
            htmlMatch = htmlMatch.replaceAll("<([a-zA-Z]+)[^<>]*>(.*?)</\\1>","$2");

            removeMatchHtmlTag();
        }

        return htmlMatch;
    }

    public static String subStringHTML(String param, int length, String endWith) {

        if(length<1) {System.out.println("length must >0");return null;}

        if(param.length()<length){return param;}

        StringBuffer result = new StringBuffer();
        StringBuffer str = 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;
                }
                str.append(temp);
            }
            result.append(temp);
            if (n >= length) {
                break;
            }
        }

        result.append(endWith);
        // 取出截取字符串中的HTML标记
        String temp_result = result.toString().replaceAll("(>)[^<>]*(<?)","$1$2");

        // 去掉不需要结束标记的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("<([a-zA-Z]+)[^<>]*>(.*?)</\\1>","$2");
        htmlMatch = temp_result;
        temp_result = removeMatchHtmlTag();
        //System.out.println("6666:" + temp_result);
        // 用正则表达式取出标记

        Pattern p = Pattern.compile("<([a-zA-Z]+)[^<>]*>");
        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();

    }

    public static void main(String args[]) {
        String param = "<html><p><p>0<img src=’xx.gif’/>http://www.dukai168.cn ©</p><table><tr><td>678901</td><td>21111111111</td></tr></table></p></html>";
        System.out.println(CutHtml.subStringHTML(param,100, "..."));
    }

}

内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理

标签：

相关文章推荐

新的分享

章节导航