正则提取div中间的内容

1. package com.yueguang.regex;
3. import java.io.File;
4. import java.io.FileNotFoundException;
5. import java.io.FileWriter;
6. import java.io.IOException;
7. import java.util.Scanner;
8. import java.util.regex.Matcher;
9. import java.util.regex.Pattern;
11. public class ParseDIV {
12. public static void main(String[] args) throws IOException {
13. Pattern pattern = Pattern.compile("(<div>)([^<]*)(</div>)");
14. File file = new File("overview.html");
15. FileWriter fileWriter = new FileWriter(new File("output.txt"));
16. Scanner in = new Scanner(file, "UTF8");
17. // Scanner in = new Scanner(System.in,"UTF8");
18. while (in.hasNextLine()) {
19. String nextLine = in.nextLine();
20. Matcher matcher = pattern.matcher(nextLine);
21. // System.out.println(nextLine);
22. // System.out.println(matcher);
23. while (matcher.find()) {
24. //System.out.println(matcher.group(2));
25. fileWriter.write(matcher.group(2)+"");
26. }
27. }
28. fileWriter.flush();
29. fileWriter.close();
30. }
31. }

输入是一个 需要提取的内容在每行上都以<div>content</div>的形式表示，可以一行有多个，只要每行上的格式完整

简单的正则的应用，里面值得注意的地方是 不要把 [^<] 写成 . ； 因为点会匹配所有字符，那么如果一行存在多个 第一个div中的内容和最后一个div中间内容都会被匹配到，我们只需要明白<不可能出现在div 里，并且这是div 结束符号的开始，那么我们就可以成功匹配到正确的content，另外值得说的一点是字符集的问题，我的IDE中配置的是UTF8，显示的时候如果使用了ANSI之类的格式都会显示乱码，改一下编辑器的默认显示格式即可