Java：RegEx問題（使用'。'所有字符符號）

Question

我有一些文檔存儲爲大型字符串。在字符串中，我有一些內嵌的XML標記，我想知道標記之間的單詞。這些文檔也可能包含HTML標籤，因爲這些文檔通常是網站。

實例文檔：

「< TR>我的名字是< B> < PERSON>鮑比< /人> </b>中，我住在美國」

當前正則表達式：

Pattern p = Pattern.compile("<(LOCATION|PERSON|ORGANIZATION)>[\\w[ '\"/\\!%$\\(\\)\\-\\+]]*</(LOCATION|PERSON|ORGANIZATION)>"); 

Matcher m = p.matcher("I'm <PERSON>Graham Brown</PERSON> I went to the <LOCATION>USA'S</LOCATION>"); 

while(m.find()){ 
    System.out.println(m.group()); 
} 

結果= < PERSON>鮑比< /人> <位置>美國< /位置>

這正常工作與幾乎大多數標點符號和語法，但正則表達式應該允許在標籤之間找到任何字符模式。當我嘗試使用'。'時（任何字符），如下所示，它返回整個字符串。

「< TR>我的名字是< B> < PERSON>鮑比< /人> </b>中，我住在美國。」

Pattern p = Pattern.compile("<(LOCATION|PERSON|ORGANIZATION)>.</(LOCATION|PERSON|ORGANIZATION)>"); 

如何返回角openinng和結束標記之間的任何字符？

編輯：感謝您的回覆。只是爲了幫助得到正確的答案。 澄清我已經使用NER標記了命名實體。如果您不清楚這是什麼，請參閱我在底部引用的一些論文。

我感興趣的是獲取三個開始和結束標記之間的文本。沒有其他標籤，文檔不是XML文件，我不解析所有的HTML標籤，也不是我對它們感興趣。我所感興趣的是解析我創建的XML標籤，因此儘管RegEx是最簡單的方法。

論文稍後添加...

Answer 1

打上問號.*?後非貪婪的過程。 PS：我只是糾正你的正則表達式，但這並不意味着它是解決方案。我不知道這是否是解決方案。使用解析器總是更好的主意。

Answer 2

請使用XML parser作爲XML片段。這是您的問題的右側工具。

編輯： 並使用HTML消毒器預處理HTML文件。另外爲XML定義嚴格的XML模式以確保XML結構。

Answer 3

Parsing Html The Cthulhu Way，由傑夫·阿特伍德

Answer 4

只有一個對於這個問題的答案：You can't parse HTML with regex