在 HTML (Java) 中查找值的快速方法

Posted 2023-02-25

技术标签:

【中文标题】在 HTML (Java) 中查找值的快速方法【英文标题】：Quick way to find a value in HTML (Java) 【发布时间】：2010-09-07 01:57:04 【问题描述】：

使用正则表达式，获取网站 html 并找到此标记内的值（或任何属性的值）的最简单方法是什么：

<html>
  <head>
  [snip]
  <meta name="generator" value="thevalue i'm looking for" />
  [snip]

【问题讨论】：

【参考方案1】：

取决于您需要构建的 Http 请求的复杂程度（身份验证等）。这是我过去见过的一种简单方法。

StringBuilder html = new StringBuilder();
java.net.URL url = new URL("http://www.google.com/");
BufferedReader input = null;
try 
    input new BufferedReader(
        new InputStreamReader(url.openStream()));

    String htmlLine;
    while ((htmlLine=input.readLine())!=null) 
        html.appendLine(htmlLine);
    

finally 
    input.close();


Pattern exp = Pattern.compile(
    "<meta name=\"generator\" value=\"([^\"]*)\" />");
Matcher matcher = exp.matcher(html.toString());
if(matcher.find())

    System.out.println("Generator: "+matcher.group(1));

编译时可能会发现很多错别字。（希望这不是家庭作业）

【讨论】：

如果元标记被注释掉了怎么办？这仍然会读取它。那正确吗？如果 meta 和 name 之间有两个空格怎么办？还是标签？还是换行？如果单词生成器没有被引号包围怎么办？由于这些问题以及更多问题，我建议您不要自己编写此代码，而是寻找一个可以为您完成此任务的库。【参考方案2】：

令人惊讶的是，在解决将 RegEx 与 HTML 结合使用的问题时，没有人会遇到 HTML 经常不格式正确的问题，从而使许多 HTML 解析器完全无用。

如果您正在开发分析网页的工具，并且事实上这些网页不是格式良好的 HTML，那么“永远不应该使用正则表达式来解析 HTML”和“使用 HTML 解析器”的说法完全是假的。事实是，在现实世界中，人们根据自己的喜好创建 HTML，但不一定适合解析器。

RegEx 是一种在文本中查找元素的完全有效的方法，因此在 HTML 中。如果有任何其他合理的方式来解决原始发帖人的问题，请发布它们，而不是引用“使用解析器”或“RTFM”声明。

【讨论】：

【参考方案3】：

您应该使用 XPath 查询。

就像获取/html/head/meta[@name=generator]/@value的值一样简单。

一个不错的教程：Parsing an XML Document with XPath

【讨论】：

当 Html 不是 Xml 时，您建议我们如何针对 Html 执行 XPath？您不能保证 Html 可以加载为用于 XPath 导航的 Xml 文档。现在一个 Html DOM 是一个很好的工具，但是 RegEx 可以工作并且是直接的。问题中的示例显然是 XHTML，因此是 XML，因为它有一个自闭合标签。【参考方案4】：

您可能需要查看 Apache 的 org.apache.commons.HttpClient 包和相关包 here 的文档。从 Java 应用程序发送 HTTP 请求非常容易。浏览文档应该会让你朝着正确的方向前进。

【讨论】：

【参考方案5】：

严格来说，你不能确定你得到了正确的值，因为元标记可能被注释掉，或者元标记可能是大写的等等。这取决于你对 HTML 可以考虑的确定程度作为“好”。

【讨论】：

【参考方案6】：

视情况而定。

如果您从一个或多个网站中提取信息，这些网站可以保证是格式良好的 HTML，并且您知道不会以某种方式被混淆，那么您可以逐行阅读

部分并且应用正则表达式是一个好方法。

另一方面，如果 HTML 可能被破坏或“棘手”，那么您需要使用适当的 HTML 解析器，可能是像 HTMLTidy 这样的宽松解析器。谨防对从随机网站拖网而来的内容使用严格的 HTML 或 XML 解析器。你发现很多所谓的 HTML 实际上是格式错误的。

【讨论】：

格式良好的 HTML 更有理由尝试使用适当的解析器而不是正则表达式。永远不应该使用正则表达式来解析 HTML，句号。【参考方案7】：