Java使用Pattern Matcher移除XML标签内容正则匹配失效问题

你的代码无法得到预期匹配结果，是正则编写存在以下几处明确错误：

• 标签名拼写错误：目标处理指令标签为<?insert_start ?>、<?insert_end ?>，正则中误写为oxy_insert_start、oxy_insert_end，名称完全不匹配，无法定位到目标片段。
• 特殊字符未转义：?在正则语法中是代表「匹配前一个字符0次或1次」的特殊量词，要匹配XML标签里的字面问号，必须用反斜杠转义写为\?，否则正则对<?的解析逻辑会完全偏离预期。
• 缺少跨行匹配模式：待匹配的标签内容包含换行符，Java正则默认模式下.不会匹配换行符，会导致跨多行的内容匹配中断，必须给Pattern添加Pattern.DOTALL参数，让.可以匹配包括换行在内的所有字符。
• 内层匹配规则有误：一是reference标签匹配的正则结尾多写了一个右尖括号（写为</reference>>，实际文本只有一个>）；二是示例文本中第二个reference标签是不规范的未闭合写法<reference>，原正则只匹配闭合的</reference>，会漏匹配；三是内层正则同样未开启DOTALL模式，无法匹配跨行的reference内容。

修正后可运行代码 #

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class XmlTagParser {
    public static void main(String[] arg) {
        String strXmlTxt = "<?insert_start author=\"0017598\" timestamp=\"20220704T111051+0530\"?>\r\n" +
                "<reference id=\"\">Yoon et al., 2014L.W.YoonT.N.AngG.C.NgohA.S.M.ChuaFungal solid-state fermentation and various methods of enhancement in cellulase productionBiomass Bioenergy672014319338Yoon, L. W., Ang, T. N., Ngoh, G. C., Chua, A. S. M., 2014. Fungal solid-state fermentation and various methods of enhancement in cellulase production.Biomass Bioenergy.67, 319-338.</label/></reference>\r\n" +
                "<reference id=\"\">Xue et al., 2015Y.P.XueM.JinA.OrjuelaP.J.SliningerB.S.DienB.E.DaleV.BalanMicrobial lipid production from AFEX™ pretreated corn stoverRSC Adv.520152872528734Xue, Y. P., Jin, M., Orjuela, A., Slininger, P. J., Dien, B. S., Dale, B. E., Balan, V., 2015. Microbial lipid production from AFEX™ pretreated corn stover.RSC adv.5, 28725-28734.<label/><reference>\r\n" +
                "<?insert_end?>";

        System.out.println("原始文本：\n" + strXmlTxt);
        // 外层正则：修正标签名、转义特殊字符、开启DOTALL跨行匹配
        Pattern correctionRegexp = Pattern.compile(
                "<\\?insert_start author=\"(.*?)\" timestamp=\"(.*?)\"\\?>(.*?)<\\?insert_end\\?>",
                Pattern.DOTALL
        );

        Matcher correctionMatcher = correctionRegexp.matcher(strXmlTxt);

        while (correctionMatcher.find()) {
            String correctionTag = correctionMatcher.group();
            System.out.println("\n=== 匹配到的insert包裹块 ===");
            System.out.println(correctionTag);
            // 内层正则：去掉多余尖括号、兼容不规范reference标签、开启跨行匹配
            Pattern refTagRegex = Pattern.compile(
                    "<reference id=\"\">(.*?)<label/?>(</reference>|<reference>)",
                    Pattern.DOTALL
            );
            Matcher refTagMatcher = refTagRegex.matcher(correctionTag);
            while (refTagMatcher.find()) {
                String refContent = refTagMatcher.group(1);
                System.out.println("\n提取到的reference内容：\n" + refContent);
            }
        }
    }
}

补充提示：正则仅适合处理结构固定、无复杂嵌套的简单XML场景，如果后续XML存在标签嵌套、格式变动等情况，优先使用DOM/StAX等正规XML解析器处理，避免正则出现误匹配、漏匹配问题。

内容的提问来源于stack exchange，提问作者Pavithra Sudhakaran