java - 使用正则表达式删除MS Word链接

我正在解析MS Word文档，并使用Apache POI获取文本。

对于这样的段落：


  最受欢迎的水果是苹果和香蕉（请参见下面的“ Common fruits”部分和“ Detailed botanic descriptions”部分）。


我得到一个看起来像这样的字符串：

The most popular fruits were apples and bananas (see section ‘\u0013 HYPERLINK \\l "_Common_fruit_types\" \u0001\u0014Common fruits\u0015’ and subsection ‘\u0013 HYPERLINK \\l \"_Botanic_description\" \u0001\u0014Detailed botanic descriptions\u0015’ below).

也有使用“ PAGEREF”而不是“ HYPERLINK”的不同类型的标记或关键字，但似乎它们始终遵循\u0013 TAGWORD {String1} \u0001\u0014{String2}\u0015模式

所以我想做的是删除除{String2}以外的所有内容。到目前为止，我已经完成了：


RegEx模式\u0013(.*?)\u0014-结果：{String2}\u0015（已从我找不到的SO页面上获得了此功能）
RegEx模式\\[A-Za-z0-9]+删除最终的\u0015-什么也没发生。我要表达的是，删除单词（包含字符和数字），包括其后的反斜杠。还尝试了\\\\[A-Za-z0-9]+，结果相同。
RegEx模式\u0013(.*?)u0015删除整个链接结构
由于\u0013(.*?)\u0014(.*?)\u0015所做的相同（全部删除），因此我尝试了\u0013(.*?)\u0014[^(.*?)]\u0015，但是它什么也没有做。


备选：While循环

boolean textWasChanged = true;
while (textWasChanged) {
    int idx1 = text.indexOf("\u0013");
    int idx2 = text.indexOf("\u0014", idx1);
    if (idx1 > -1 && idx2 > -1 && text.replace(text.substring(idx1, idx2+1), "").length() < text.length()) {
        textWasChanged = true;
        text = text.replace(text.substring(idx1, idx2+1), "");
    } else {
        textWasChanged = false;
    }

}
text = text.replaceAll("\u0015", "");

手动清除有效，但我想知道是否可以将其简化为单线或其他形式。

或更具体：


如何编写仅保留{String2}的正则表达式模式？从正则表达式手册看来，这是可能的。我只是不能把头缠住它。
我在步骤2和/或4中的错误在哪里？我只是否定了(.*?)部分，bc是我要保留的部分。但是我显然不明白正则表达式。

最佳答案

您可以使用以下Pattern替换您的实体：

String raw = "The most popular fruits were apples and bananas "
        + "(see section ‘\\u0013 HYPERLINK \\l \"_Common_fruit_types\\\" "
        + "\\u0001\\u0014Common fruits\\u0015’ and subsection ‘\\u0013 HYPERLINK \\l"
        + "\\\"_Botanic_description\\\" "
        + "\\u0001\\u0014Detailed botanic descriptions\\u0015’ below).";

// test
System.out.printf("Raw string: %s%n%n", raw);
//                           | escaped back slash
//                           | | escaped unicode point
//                           | |      | any 1+ character, reluctant
//                           | |      |  | escaped \ and unicode point
//                           | |      |  |        | group 1: your goal
//                           | |      |  |        |    | escaped final \ + unicode point
Pattern p = Pattern.compile("\\\\u0013.+?\\\\u0014(.+?)\\\\u0015");
Matcher m = p.matcher(raw);
while (m.find()) {
    System.out.printf("Found: %s%n", m.group(1));
}
System.out.println();

// actual replacement
System.out.printf(
    "Replaced: %s%n",
    raw.replaceAll("\\\\u0013.+?\\\\u0014(.+?)\\\\u0015", "$1")
);

输出（为清楚起见人工添加了换行符）

Raw string: The most popular fruits were apples and bananas (see section
‘\u0013 HYPERLINK \l "_Common_fruit_types\" \u0001\u0014Common fruits\u0015’
and subsection ‘\u0013 HYPERLINK \l\"_Botanic_description\"
\u0001\u0014Detailed botanic descriptions\u0015’ below).

Found: Common fruits
Found: Detailed botanic descriptions

Replaced: The most popular fruits were apples and bananas
(see section ‘Common fruits’ and subsection ‘Detailed botanic descriptions’ below).