数据提取小知识点

1:限制长度(取95位)

String reg = "^(.{95}).*$";      result = result.replaceAll(reg,"$1");  

2:过滤html标签

public static String delHTMLTag(String htmlStr) {
String regEx_script = "]*?>[\\s\\S]*?<\\/script>"; // 定义script的正则表达式
String regEx_style = "]*?>[\\s\\S]*?<\\/style>"; // 定义style的正则表达式
String regEx_html = "<[^>]+>"; // 定义HTML标签的正则表达式
String regEx_space = "\\s*|\t|\r|\n";// 定义空格回车换行符
String regEx_w = "]*?>[\\s\\S]*?<\\/w[^>]*?>";//定义所有w标签
Pattern p_w = Pattern.compile(regEx_w, Pattern.CASE_INSENSITIVE);
Matcher m_w = p_w.matcher(htmlStr);
htmlStr = m_w.replaceAll(""); // 过滤script标签
Pattern p_script = Pattern.compile(regEx_script, Pattern.CASE_INSENSITIVE);
Matcher m_script = p_script.matcher(htmlStr);
htmlStr = m_script.replaceAll(""); // 过滤script标签
Pattern p_style = Pattern.compile(regEx_style, Pattern.CASE_INSENSITIVE);
Matcher m_style = p_style.matcher(htmlStr);
htmlStr = m_style.replaceAll(""); // 过滤style标签
Pattern p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE);
Matcher m_html = p_html.matcher(htmlStr);
htmlStr = m_html.replaceAll(""); // 过滤html标签
Pattern p_space = Pattern.compile(regEx_space, Pattern.CASE_INSENSITIVE);
Matcher m_space = p_space.matcher(htmlStr);
htmlStr = m_space.replaceAll(""); // 过滤空格回车标签
htmlStr = htmlStr.replaceAll(" ", ""); //过滤
return htmlStr.trim(); // 返回文本字符串
}

3: [\u4e00-\u9fa5_a-zA-Z0-9] 匹配中文,字母,数字
4:保留日期格式的数据
  ^:   非

result = Pattern.compile("[^0-9||年月日时_-]").matcher(result).replaceAll("");

5:
舍去<后边(右边)的内容(包括<)

result = result.split("<")[0];

舍去<前边(左边)的内容(包括<)

result = result.split("<")[1];

6: 舍去日后边(右边)的内容(保留日)

result = result.replaceAll("日(.*)","日");

7：selector的使用

public static String rules1(String html){
String result ="";
Document document = Jsoup.parse(html);
Elements elements = document.select("#admin");
for(Element element : elements){
result =  element.text();
}
        return result;
}

8: xpath的使用

public static String rules1(String html){
String result ="";
String xpath="//*[@id="admin"]";
JXDocument jxDocument =new JXDocument(html);
List rs = jxDocument.sel(xpath);
for (Object o:rs){
if (o instanceof Element){
int index = ((Element) o).siblingIndex();
}
result = o.toString();
}
return  result;
}