package com.ansj.sun.pojo;

import java.util.ArrayList;
import java.util.Iterator;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class AnsjPaser {

	private String beginRegex;

	private String endRegex;

	private Matcher matcher;

	public final static String TEXTTEGEX = ".*?";
	
	public final static String W = "\\W*?" ;
	
	public final static String N = "" ;
	
	private List<String> filterRegexList = new ArrayList<String>();

	/**
	 * 
	 * @param beginRegex 起始正则
	 * @param endRegex 结束正则
	 * @param content 需要解析的正文(如果没有此项必须为rest设置)
	 * @param textRegex 其实和结束正则中间的部分,默认为.*?
	 */
	public AnsjPaser(String beginRegex, String endRegex, String content,
			String textRegex) {

		this.beginRegex = beginRegex;

		this.endRegex = endRegex;

		StringBuilder sb = new StringBuilder();

		sb.append(beginRegex);

		sb.append(textRegex);

		sb.append(endRegex);

		matcher = Pattern.compile(sb.toString()).matcher(content);
	}

	/**
	 * 
	 * @param beginRegex 起始正则
	 * @param endRegex 结束正则
	 * @param textRegex 其实和结束正则中间的部分,默认为.*?
	 */
	public AnsjPaser(String beginRegex, String endRegex, String textRegex) {

		this.beginRegex = beginRegex;

		this.endRegex = endRegex;

		StringBuilder sb = new StringBuilder();

		sb.append(beginRegex);

		sb.append(textRegex);

		sb.append(endRegex);

		matcher = Pattern.compile(sb.toString()).matcher(N);
	}
	

	/**
	 * @param beginRegex 起始正则
	 * @param endRegex 结束正则
	 */	
	public AnsjPaser(String beginRegex, String endRegex) {

		this.beginRegex = beginRegex;

		this.endRegex = endRegex;

		StringBuilder sb = new StringBuilder();

		sb.append(beginRegex);

		sb.append(TEXTTEGEX);

		sb.append(endRegex);

		matcher = Pattern.compile(sb.toString()).matcher(N);
	}

	/**
	 * @创建人：Ansj -创建时间：2011-8-16 下午09:30:56
	 * @方法描述： @return 返回正则内的内容去除了开始和结束标签,和需要过滤的正则返回用户需要的真正的内容
	 */
	public String getText() {
		if (matcher.find()) {
			String str = matcher.group().trim().replaceFirst(beginRegex, N)
					.replaceAll(endRegex, N);
			Iterator<String> it = filterRegexList.iterator() ;
			while(it.hasNext()){
				str = str.replaceAll(it.next(), N) ;
			}
			return str ;
		}
		return null;
	}

	/*
	 * 得到下一个
	 */
	public String getNext() {
		return matcher.group();
	}

	/*
	 * 是否包含下一个
	 */
	public boolean hasNext() {
		return matcher.find();
	}

	/**
	* @创建人：Ansj  -创建时间：2011-8-17 上午12:11:12    
	* @方法描述：   @param content 需要解析的正文 
	* @方法描述：   @return 返回本身
	* 这个方法是将此解析器重置,相当于重头开始.但是一些正则配置给予保留
	 */
	public AnsjPaser reset(String content) {
		this.matcher.reset(content);
		return this ;
	}
	
	/*
	 * 添加getText的正则过滤条件
	 */
	public AnsjPaser addFilterRegex(String filterRegex){
		filterRegexList.add(filterRegex) ;
		return this ;
	}

}

package com.ansj.sun.impl;

import java.io.BufferedReader;
import java.io.IOException;

import com.ansj.sun.pojo.AnsjPaser;
import com.ansj.sun.util.IOUtil;

public class HtmlPaser{

	public static void main(String[] args) throws IOException {
		//阅读正文
		BufferedReader br = IOUtil.getReader(
				"C:\\Users\\caiqing\\Desktop\\ajax采集\\zhanghuaping.html",
				"UTF-8");
		StringBuilder sb = new StringBuilder();
		String temp = null;
		while ((temp = br.readLine()) != null) {
			sb.append(temp);
		}

		System.out.println(sb);
		// 模块抽取
		String beginRegex = "<div class=\"MIB_feed_c\">\\W*?<p class=\"sms\"";
		String endRegex = "<div id=\"_comment_list_miniblog.*?\"></div>\\W*?</div>";
		AnsjPaser ansjHtml = new AnsjPaser(beginRegex, endRegex, sb.toString(),
				AnsjPaser.TEXTTEGEX);
		// 正文抽取
		beginRegex = "<p class=\"sms\" mid=\"\\d*?\" type=\"\\d*?\">";
		endRegex = "</p>";
		AnsjPaser ansjContent = new AnsjPaser(beginRegex, endRegex).addFilterRegex("<.*?>");
		// 时间抽取
		beginRegex = "onclick=\"GB_SUD