java正则表达式匹配html

Posted 2023-02-24

【中文标题】java正则表达式匹配html

【英文标题】：java Regular expression matching html

【发布时间】：2011-02-17 01:20:53

【问题描述】：

解决方案： 这行得通：

字符串 p="

[\\\\w\\\\W]*

";

我想匹配并捕获

标签的封闭内容 试了以下，还是不行，怎么回事？ 字符串 p="

.*

"; 匹配器 m=Pattern.compile(p,Pattern.MULTILINE|Pattern.CASE_INSENSITIVE).matcher(input); 如果（m.find（）） 字符串 g=m.group(0); System.out.println("g 为 "+g);

【问题讨论】：

说真的，您不应该使用正则表达式解析 html。请改用 TagSoup 之类的库。

我们又来了……您尝试搜索了吗？这个指导怎么样 - ***.com/questions/2400623/…

[\\\\w\\\\W] 将匹配反斜杠 w 或 W。您的意思可能是[\\w\\W]，但您不需要这样做。正如我在回答中所说，只需使用 DOTALL 标志。另一个技巧在 javascript 中被大量使用，因为 JS 没有 DOTALL 标志的等效项。

【参考方案1】：

Regex 实际上是not 的正确工具。使用解析器。 Jsoup 不错。

Document document = Jsoup.parse(html);
for (Element element : document.getElementsByTag("pre")) 
    System.out.println(element.text());

parse() 方法也可以采用URL 或File 顺便说一句。

---

我推荐 Jsoup 的原因是它是我尝试过的所有 HTML 解析器中最不冗长的。它不仅提供类似 JavaScript 的方法返回实现 Iterable 的元素，而且还支持 jQuery like selectors，这对我来说是一个大加分项。

【参考方案2】：

您需要 DOTALL 标志，而不是 MULTILINE。 MULTILINE 改变了^ 和$ 的行为，而DOTALL 是让. 匹配行分隔符的那个。您可能也想使用不情愿的量词：

String p = "<pre>.*?</pre>";

【讨论】：

如果有多个<pre> 元素，一个贪婪的.* 将从第一个开始<pre> 匹配到最后一个结束</pre>。不情愿（或非贪婪）.*? 将在第一个结束标记处停止。

【参考方案3】：

String stringToSearch = "H1 FOUR H1 SCORE AND SEVEN YEARS AGO OUR FATHER...";

// the case-insensitive pattern we want to search for
Pattern p = Pattern.compile("H1", Pattern.CASE_INSENSITIVE);

Matcher m = p.matcher(stringToSearch);

// see if we found a match
int count = 0;
while (m.find())
    count++;

System.out.println("H1 : "+count);