1. 引言
在Java中处理HTML内容时，从特定标签中提取文本是常见需求。虽然通常不建议用正则表达式解析HTML（因其结构复杂），但在简单场景下，正则表达式确实能快速解决问题。
本文将演示如何在Java中使用正则表达式从HTML标签中提取文本。
2. 使用Pattern和Matcher类
Java的java.util.regex包提供了Pattern和Matcher类，让我们能定义和应用正则表达式来提取字符串中的内容。以下是使用正则表达式从指定HTML标签中提取文本的示例：
@Test
void givenHtmlContentWithBoldTags_whenUsingPatternMatcherClasses_thenExtractText() {
String htmlContent = "<div>This is a <b>Baeldung</b> article for <b>extracting text</b> from HTML tags.</div>";
String tagName = "b";
String patternString = "<" + tagName + ">(.*?)</" + tagName + ">";
Pattern pattern = Pattern.compile(patternString);
Matcher matcher = pattern.matcher(htmlContent);
List<String> extractedTexts = new ArrayList<>();
while (matcher.find()) {
extractedTexts.add(matcher.group(1));
}
assertEquals("Baeldung", extractedTexts.get(0));
assertEquals("extracting text", extractedTexts.get(1));
}
这段代码的逻辑很清晰：
- 定义包含
<b>标签的HTML内容 - 指定目标标签名（这里是"b"）
- 构建正则模式
<b>(.*?)</b>（非贪婪匹配） - 使用
Matcher遍历所有匹配结果 - 将捕获组（即标签内的文本）存入列表
⚠️ 踩坑提示：如果标签内容包含换行符，默认的正则表达式会失效。需要添加(?s)开启dotall模式：
String patternString = "(?s)<" + tagName + ">(.*?)</" + tagName + ">";
这样修改后，<p>标签内的多行文本也能正确匹配。
3. 使用JSoup进行HTML解析与提取
对于包含嵌套标签的复杂HTML，推荐使用专业库如JSoup。下面演示如何用JSoup提取<p>标签文本（包括处理嵌套标签）：
@Test
void givenHtmlContentWithNestedParagraphTags_thenExtractAllTextsFromHtmlTag() {
String htmlContent = "<div>This is a <p>multiline\nparagraph <strong>with nested</strong> content</p> and <p>line breaks</p>.</div>";
Document doc = Jsoup.parse(htmlContent);
Elements paragraphElements = doc.select("p");
List<String> extractedTexts = new ArrayList<>();
for (Element paragraphElement : paragraphElements) {
String extractedText = paragraphElement.text();
extractedTexts.add(extractedText);
}
assertEquals(2, extractedTexts.size());
assertEquals("multiline paragraph with nested content", extractedTexts.get(0));
assertEquals("line breaks", extractedTexts.get(1));
}
处理流程：
- 用
Jsoup.parse()将HTML字符串解析为Document对象 - 通过
doc.select("p")获取所有<p>元素 - 遍历元素列表，用
text()方法提取纯文本（自动处理嵌套标签） - 验证提取结果
✅ 优势对比：
- 正则表达式：简单粗暴，适合简单场景
- JSoup：稳健可靠，能完美处理嵌套标签和HTML结构
4. 总结
我们探讨了在Java中从HTML标签提取文本的两种方案：
- 正则表达式方案：使用
Pattern和Matcher类，适合简单标签提取 - JSoup方案：专业HTML解析库，适合处理复杂嵌套结构
选择建议：
- 简单任务 → 正则表达式（快速实现）
- 复杂HTML → JSoup（避免踩坑）
完整示例代码见GitHub仓库