java - 删除两个特定标签之间的所有字符(java regex)

Question

我想删除 html 内容和标签

<DATE> html content </DATE>

这些是我尝试过的不同版本的代码，但没有一个有效:

content = content.replaceAll("<DATE>(?s:)</DATE>", "");
content = content.replaceAll("<DATE>(?:.|\n)</DATE>", "");
content = content.replaceAll("<DATE>" + Pattern.DOTALL + "</DATE>", "");
content = content.replaceAll("<DATE>(.*?)</DATE>", "");

有什么建议吗？

完整代码:

Path corpusPath = Paths.get(path + file);
String content = new String(Files.readAllBytes(corpusPath), charset);
content = content.replaceAll("<HEADLINE>", "<DOCHDR>");
content = content.replaceAll("</HEADLINE>", "</DOCHDR>");
content = content.replaceAll("<DATE>(.*?)</DATE>", "");
Path destPath = Paths.get(path + "Parsed\\" +file);
Files.write(destPath, content.getBytes(charset));

Answer 1

尝试使用以下正则表达式删除 <DATE>标签及其内容，

content = content.replaceAll("(?s)<DATE>.*?</DATE>", "");

说明:

• (?s) DOTALL 修改器启用 DOTALL 模式。它使点甚至可以匹配换行符。
• <DATE>匹配起始 <DATE>标签。
• .*?匹配下一个 </DATE> 之前的任何字符字符串。 ?之后*告诉正则表达式引擎进行最短匹配。
• 最后将匹配的字符替换为空字符串。