java - 用分割句子

Question

我有以下句子:

String str = " And God said, <sup>c</sup>&#8220;Let there be light,&#8221; and there was light.";

如何检索句子中的所有单词，期待以下结果？

And
God
said
Let 
there
be
light
and 
there
was
light

Answer 1

首先，删除任何前导或尾随空格:

.trim()

然后删除 HTML 实体 ( &...; ):

.replaceAll("&.*?;", "")

&和;是正则表达式中的文字字符，并且 .*?是“任意字符，任意次数”的非贪婪版本。

接下来删除标签及其内容:

.replaceAll("<(.*?)>.*?</\\1>", "")

<和>再次按字面意思理解，.*?如上所述，(...)定义了一个捕获组，并且 \\1引用该组。

最后，分割任意非字母序列:

.split("[^a-zA-Z]+")

[a-zA-Z]表示 a 中的所有字符至z和A至Z , ^反转匹配，并且 +意思是“一次或多次”。

所以所有的东西加在一起就是:

String words = str.trim().replaceAll("&.*?;", "").replaceAll("<(.*?)>.*?</\\1>", "").split("[^a-zA-Z]+");

请注意，这不会处理像 <img src="a.png" /> 这样的自关闭标签。 .
另请注意，如果您需要完整的 HTML 解析，您应该考虑让真正的引擎解析它，如 parsing HTML with Regex is a bad idea .