Question

我正在解析MS Word文档并使用Apache POI获取文本。

对于看起来像这样的段落：

最受欢迎的水果是苹果和香蕉（请参阅下面的“Common fruits”和“Detailed botanic descriptions”小节）。

我得到一个看起来像这样的字符串：

The most popular fruits were apples and bananas (see section ‘\u0013 HYPERLINK \\l "_Common_fruit_types\" \u0001\u0014Common fruits\u0015’ and subsection ‘\u0013 HYPERLINK \\l \"_Botanic_description\" \u0001\u0014Detailed botanic descriptions\u0015’ below).

有不同类型的标签或关键字使用＆＃34; PAGEREF＆＃34;而不是＆＃34; HYPERLINK＆＃34;，但似乎他们总是遵循模式\u0013 TAGWORD {String1} \u0001\u0014{String2}\u0015

所以我想要删除除{String2}之外的所有内容。到目前为止，我已经完成了：

RegEx模式\u0013(.*?)\u0014 - 结果：{String2}\u0015（从我无法找到的SO页面获取此信息）
RegEx模式\\[A-Za-z0-9]+删除最终\u0015 - 没有任何反应。我想表达的是，删除单词（包含字符和数字），包括它后面的反斜杠。还尝试了\\\\[A-Za-z0-9]+，结果相同。
RegEx模式\u0013(.*?)u0015删除整个链接结构
由于\u0013(.*?)\u0014(.*?)\u0015执行相同操作（全部删除），我尝试了\u0013(.*?)\u0014[^(.*?)]\u0015，但它什么也没做。

替代方案： while循环

boolean textWasChanged = true;
while (textWasChanged) {
    int idx1 = text.indexOf("\u0013");
    int idx2 = text.indexOf("\u0014", idx1);
    if (idx1 > -1 && idx2 > -1 && text.replace(text.substring(idx1, idx2+1), "").length() < text.length()) {
        textWasChanged = true;
        text = text.replace(text.substring(idx1, idx2+1), "");
    } else {
        textWasChanged = false;
    }

}
text = text.replaceAll("\u0015", "");

手动删除有效，但我想知道它是否可以简化为单行或其他内容。

或更具体：

如何编写仅保留{String2}的正则表达式模式？从正则表达式手册，它看起来是可能的。我无法绕过它。
我在第2步和/或第4步中的错误在哪里？我只是否定了(.*?)部分，那是我想要保留的部分。但我显然不了解正则表达式。

Answer 1

您可以使用以下Pattern替换您的实体：

String raw = "The most popular fruits were apples and bananas "
        + "(see section ‘\\u0013 HYPERLINK \\l \"_Common_fruit_types\\\" "
        + "\\u0001\\u0014Common fruits\\u0015’ and subsection ‘\\u0013 HYPERLINK \\l"
        + "\\\"_Botanic_description\\\" "
        + "\\u0001\\u0014Detailed botanic descriptions\\u0015’ below).";

// test
System.out.printf("Raw string: %s%n%n", raw);
//                           | escaped back slash
//                           | | escaped unicode point
//                           | |      | any 1+ character, reluctant
//                           | |      |  | escaped \ and unicode point
//                           | |      |  |        | group 1: your goal
//                           | |      |  |        |    | escaped final \ + unicode point
Pattern p = Pattern.compile("\\\\u0013.+?\\\\u0014(.+?)\\\\u0015");
Matcher m = p.matcher(raw);
while (m.find()) {
    System.out.printf("Found: %s%n", m.group(1));
}
System.out.println();

// actual replacement
System.out.printf(
    "Replaced: %s%n", 
    raw.replaceAll("\\\\u0013.+?\\\\u0014(.+?)\\\\u0015", "$1")
);

输出（为了清晰起见，人工添加了换行符）

Raw string: The most popular fruits were apples and bananas (see section 
‘\u0013 HYPERLINK \l "_Common_fruit_types\" \u0001\u0014Common fruits\u0015’ 
and subsection ‘\u0013 HYPERLINK \l\"_Botanic_description\" 
\u0001\u0014Detailed botanic descriptions\u0015’ below).

Found: Common fruits
Found: Detailed botanic descriptions

Replaced: The most popular fruits were apples and bananas 
(see section ‘Common fruits’ and subsection ‘Detailed botanic descriptions’ below).

使用正则表达式删除MS Word链接

1 个答案: