正则表达式 实现html 表格转markdown表格

发表于 更新于 分类于 ， ， Waline： 本文字数： 5.4k 阅读时长 ≈ 5 分钟

抓取文章信息

匹配正则

1
.+<div class="post-body".*?>(.+?)<\/div>.+

替换正则

1
$1

精简表格正则##

生成的表格如下，

1
<table><thead><tr><th style="text-align:left">序号</th><th style="text-align:left">方法</th><th style="text-align:left">描述</th></tr></thead><tbody><tr><td style="text-align:left">1</td><td style="text-align:left">String getCharacterEncoding()</td><td style="text-align:left">返回响应用的是何种字符编码</td></tr><tr><td style="text-align:left">2</td><td style="text-align:left">void setContentType(String type)</td><td style="text-align:left">设置响应的MIME类型</td></tr><tr><td style="text-align:left">3</td><td style="text-align:left">PrintWriter getwriter()</td><td style="text-align:left">返回可以向客户端输出字符的一个输出流对象(注意比较PrintWriter与内置out对象的区别)</td></tr></tbody></table>

转markdown的时候样式是不需要的，先删除样式：

删除内嵌样式

匹配正则

1
(<t[h|d]) style=.*?(>)

替换正则

1
$1$2

替换后的效果：

1
<table><thead><tr><th>序号</th><th>方法</th><th>描述</th></tr></thead><tbody><tr><td>1</td><td>String getCharacterEncoding()</td><td>返回响应用的是何种字符编码</td></tr><tr><td>2</td><td>void setContentType(String type)</td><td>设置响应的MIME类型</td></tr><tr><td>3</td><td>PrintWriter getwriter()</td><td>返回可以向客户端输出字符的一个输出流对象(注意比较PrintWriter与内置out对象的区别)</td></tr></tbody></table>

生成分割符

匹配正则:

1
(?:<\/t[hd]><t[hd]>|<\/?t[hd]>)

替换正则:

1
|

替换结果

1
<table><thead><tr>|序号|方法|描述|</tr></thead><tbody><tr>|1|String getCharacterEncoding()|返回响应用的是何种字符编码|</tr><tr>|2|void setContentType(String type)|设置响应的MIME类型|</tr><tr>|3|PrintWriter getwriter()|返回可以向客户端输出字符的一个输出流对象(注意比较PrintWriter与内置out对象的区别)|</tr></tbody></table>

按行分割

匹配正则:<tr>(.+?)</tr>
替换正则:$1\n
替换结果:

1
2
3
4
5
<table><thead>|序号|方法|描述|
</thead><tbody>|1|String getCharacterEncoding()|返回响应用的是何种字符编码|
|2|void setContentType(String type)|设置响应的MIME类型|
|3|PrintWriter getwriter()|返回可以向客户端输出字符的一个输出流对象(注意比较PrintWriter与内置out对象的区别)|
</tbody></table>

删除其他html多余标签行

匹配正则:

1
<\/?(?:table|thead|tbody)>

**替换正则:**空字符串""
替换结果:

1
2
3
4
5
|序号|方法|描述|
|1|String getCharacterEncoding()|返回响应用的是何种字符编码|
|2|void setContentType(String type)|设置响应的MIME类型|
|3|PrintWriter getwriter()|返回可以向客户端输出字符的一个输出流对象(注意比较PrintWriter与内置out对象的区别)|

生成对齐方式

剩下的就交给java来解决吧。一行一行的遍历这个字符串，在第二行的时候，把里面的文本替换成对齐方式即可。
匹配正则 

1
[^|]+\|

替换正则
对齐方式，这里默认为左对齐

1
:--|

java代码

要想单纯的替换第二行，首先要知道现在匹配的是第几次，这里我通过使用计数器来实现。
匹配到第二次的时候，我先获取匹配的文本，然后对修改该文生成一个新的文本(对齐方式)。
接下来就是要使用新的文本替换字符串中旧的文本了，这里使用Matcher.appendReplacement(StringBuffer sb, String replacement)这个方法，这个方法可以在匹配过程中动态的替换，但是与其他替换方法不同，其他替换方法会把替换的结果直接返回，但appendReplacement方法替换后的结果会放在sb参数中。还有就是appendReplacement方法只会把扫描过的文本放到sb中，没有扫描的文本它不管，使用Matcher.appendTail(StringBuffer sb)可以把没有扫描过的文本追加到sb中。这样才真正做到动态的替换。
代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
StringBuffer sb = new StringBuffer();
int count = 0;
Pattern alignPattern = Pattern.compile("(\\|(?:.+?\\|)+\\n)");
Matcher alignMatcher = alignPattern.matcher(htmlTable);
while (alignMatcher.find())
{
    count++;
    if (count == 2)
    {
        // 获取匹配的文本
        String align = alignMatcher.group();
        // 生成替换的文本
        align = align.replaceAll("[^|]+\\|", ":--|");;
        // 使用新的替换旧的 然后处理过的文本放到缓存中
        alignMatcher.appendReplacement(sb, align);
        // 没有扫描过的文本放到缓存中
        alignMatcher.appendTail(sb);
        break;
    }
}

替换结果

1
2
3
4
5
|序号|方法|描述|
|:--|:--|:--|
|1|String getCharacterEncoding()|返回响应用的是何种字符编码|
|2|void setContentType(String type)|设置响应的MIME类型|
|3|PrintWriter getwriter()|返回可以向客户端输出字符的一个输出流对象(注意比较PrintWriter与内置out对象的区别)|

这样就得到了markdown表格了，显示效果如下：

序号 方法 描述
1 String getCharacterEncoding() 返回响应用的是何种字符编码
2 void setContentType(String type) 设置响应的MIME类型
3 PrintWriter getwriter() 返回可以向客户端输出字符的一个输出流对象(注意比较PrintWriter与内置out对象的区别)

html table转Markdown Java方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
public static String table2Markdown(String htmlTable)
{
    StringBuilder temp = new StringBuilder(htmlTable);
    htmlTable = htmlTable
            .replaceAll("(<t(?:h|d)) style=\"text\\-align:.*?(>)", "$1$2");
    htmlTable = htmlTable.replaceAll(
            "(?:<\\/?t(?:h|d)>\\n\\s+<\\/?t(?:h|d)>|<\\/?t(?:h|d)>)", "|");
    htmlTable = htmlTable.replaceAll("<\\/?t(?:able|body|r)>", "");
    htmlTable = htmlTable.replaceAll("^\\s*<\\/?t(?:able|body|r)>$", "");
    htmlTable = htmlTable.replaceAll("(?m)^\\s*$(?:\\n|\\r\\n)+", "");
    htmlTable = htmlTable.replaceAll("(?m)^\\s{2,}", "");
    htmlTable = htmlTable
            .replaceAll("<thead>\\n?((?:\\|.*)|)\\n?<\\/thead>", "$1\n$1");
    StringBuffer sb = new StringBuffer();
    int count = 0;
    Pattern alignPattern = Pattern.compile("(\\|(?:.+?\\|)+\\n)");
    Matcher alignMatcher = alignPattern.matcher(htmlTable);
    while (alignMatcher.find())
    {
        count++;
        if (count == 2)
        {
            // 获取匹配的文本
            String align = alignMatcher.group();
            // 生成替换的文本
            align = align.replaceAll("[^|]+\\|", ":--|");;
            // 使用新的替换旧的 然后处理过的文本放到缓存中
            alignMatcher.appendReplacement(sb, align);
            // 没有扫描过的文本放到缓存中
            alignMatcher.appendTail(sb);
            break;
        }
    }
    return sb.toString();
}