HTMLシンプルテキストの正規表現パターンを作成するには？

Question

私はクラスのための正規表現パターンを学ぼうとしています。私は単純なHTMLレクサー/パーサーを作っています。私はこれがLexer/Parserを作るのに最も効果的な方法ではないことを知っていますが、Regexのパターンを理解することだけです。

私の質問は、文字列にHTMLタグ（つまり<TAG>）が含まれておらず、HTMLエンティティ（つまり&ENT;）が含まれていないかどうかを確認するパターンを作成するにはどうすればよいですか？

これは私がこれまでに思い付くことができるものであるが、それはまだ動作しません：

.+?(^(?:&[A-Za-z0-9#]+;)^(?:<.*?>)) 

EDIT：唯一の問題は、私は私が見つける必要が最終的な結果を否定することはできませんということですそれが可能であればこの仕事を達成する完全なパターンですが、それはかわいらしくないかもしれません。私は言及したことはありませんが、それはHTMLページ内の任意のシンプルテキストにマッチするはずです。

Answer 1

パターンに従わない文字列を検索する場合は、パターンを一致させてからテストの結果を否定するのが最も簡単です。

<[^>]+>|&[^;]+; 

このパターンに一致する文字列は、少なくとも1つのタグ（定義済み）またはエンティティ（定義済みのとおり）を持ちます。したがって、必要な文字列はこのパターンと一致しない文字列です（タグやエンティティはありません）。

Answer 2

式<.+?>|&.+?;を使用して一致を検索し、結果を否定できます。

• <.+?>
  は最初<その後、何も（1回以上）、その後>
• &.+?;が&その後、何も（1回以上）が最初に言って、その後ここ;

があると言いますideone.com demo hereの完全な例です。

import java.util.regex.*; 

public class Test { 
    public static void main(String[] args) { 
     String[] tests = { "hello", "hello <b>world</b>!", "Hello&nbsp;world" }; 
     Pattern p = Pattern.compile("<.+?>|&.+?;"); 
     for (String test : tests) { 
      Matcher m = p.matcher(test); 
      if (m.find()) 
       System.out.printf("\"%s\" has HTML: %s%n", test, m.group()); 
      else 
       System.out.printf("\"%s\" does have no HTML%n", test); 
     } 
    } 
} 

出力：[XHTMLの自己完結型のタグを除いて正規表現一致オープンタグ]の