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：
<a href='www.baidu.comds=id32434#comment'rewr>特432</a>
453543
<a guhll,,l>a1特123你好123吗？</a>
<a href=id=32434#comment'ewrer>特2</a>
<a>标签中的文字</a>
现在要匹配出内容包含中文但标签的属性中不包含comment的<a>标签中的汉字。
解决思路如下：
1、首先匹配出不包括comment的<a>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<a>标签中的中文字符
* @ProjectName stuff
* @Author <a href="mailto:mhmyqn@qq.com">mumaoqiang</a></br>
* @Date 2012-7-24 下午04:59:27 </br>
* @FullName com.mmq.regex.MatchChineseCharacters.java </br>
* @JDK 1.6.0 </br>
* @Version 1.0 </br>
*/
public class MatchChineseCharacters {
/**
* 根据输入的内容，匹配出包含中文但不包含comment的<a>标签中的中文字符
* @param source 要匹配的内容
* @return <a>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<a>标签
String reg = "<a((?!comment).)*?>([^<>]*?[\\u4e00-\\u9fa5]+[^<>]*?)+(?=</a>)";
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("<a href='www.baidu.comds=id32434#comment'rewr>特432</a>453543<a guhll,,l>a1特123你好123吗？</a><a href=id=32434#comment'ewrer>特2</a><a>标签中的文字</a>");
System.out.println(result);
}
}
输出结果如下：
<a guhll,,l>a1特123你好123吗？
<a>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 = "<a((?!comment).)*?>([^<>]*?[\\u4e00-\\u9fa5]+[^<>]*?)+(?=</a>)";
这个匹配内容包含中文但标签的属性中不包含comment的<a>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<a>标签中属性不确定，所以不能使用；[\\u4e00-\\u9fa5]+匹配中文字符串；而(?=</a>)使用向前查找?=，在结果中不会包含结束标签</a>。
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。