Question

我必须解析一些html，从一些HTML中找到一组值，这些值并不总是很好地形成，我无法控制（所以Scanner似乎不是一个选项）

这是一个购物车，购物车内有n行，每行包含一个数量下拉列表。现在我希望能够获得购物车中产品的总和。

鉴于此html，我希望匹配值2和5

...
<select attr="other stuff" name="quantity">
    <option value="1" />
    <option value="2" selected="selected" />
</select>
....
<select name="quantity" attr="other stuff">
    <option selected="selected" value="5" />
    <option value="6" />
</select>

我做了一些可怜的尝试，但考虑到变量的数量（例如，＆＃39;值＆＃39;以及＆＃39;选择＆＃39;标签的顺序）我的大多数解决方案要么不工作或真的很慢。

我结束的最后一个Java代码是以下

Pattern pattern = Pattern.compile("select(.*?)name=\"quantity\"([.|\\n|\\r]*?)option(.*?)value=\"(/d)\" selected=\"selected\"", Pattern.DOTALL);
Matcher matcher = pattern.matcher(html);
if (matcher.find()) {
   ....
}

它非常慢，并且在属性顺序更改时不起作用。我的正则表达式知识不足以写出有效的模式

Answer 1

您可以使用XPath表达式来检索问题中的HTML的所有值属性，而不是使用正则表达式：

//select[@name="quantity"]/option[@selected="selected"]/@value

用语言说：

查找属性<select>等于name的XML中的所有quantity元素，其中子元素<option>的属性selected等于{{1} }}
检索selected属性。

我真的会考虑尝试使用XQuery / XPath，这是它的用途。请阅读问题this answer的How to read XML using XPath in Java，了解如何检索值。关于XPath表达式here的介绍。

考虑以下情况，您将来只需要找到属性value 和的选项，例如selected="selected"。 XPath表达式将简单地变为：

status="accepted"

XPath表达式易于扩展，易于查看，易于证明它正在做什么。

现在你需要为增加的条件创建什么样的RegEx怪物？很难写，甚至更难维护。代码审查员如何判断正则表达式的复杂性（cf bobble bubble＆answer）？你如何证明正则表达式实际上正在做它应该做的事情？

您当然可以记录正则表达式，这是您应该对正则表达式执行的操作。但这并没有证明什么。

我的建议：远离正则表达式，除非绝对没有办法。

对于体育运动，我制作了一个片段，展示了这种工作方式的基础知识：

//select[@name="quantity"]/option[@selected="selected" and @status="accepted"]/@value

输出结果：

import java.io.StringReader;
import javax.xml.xpath.*;
import org.w3c.dom.NodeList;
import org.xml.sax.InputSource;

public class ReadElementsFromHtmlUsingXPath {
    private static final String html=
"<html>Read more about XPath <a href=\"www.w3schools.com/xsl/xpath_intro.asp\">here</a>..."+
"<select attr=\"other stuff\" name=\"quantity\">"+
    "<option value=\"1\" />"+
    "<option value=\"2\" selected=\"selected\" />"+
"</select>"+
"<i><b>Oh and here's the second element</b></i>"+
"<select name=\"quantity\" attr=\"other stuff\">"+
    "<option selected=\"selected\" value=\"5\" />"+
    "<option value=\"6\" />"+
"</select>"+
"And that's all folks</html>";

    private static final String xpathExpr = 
"//select[@name=\"quantity\"]/option[@selected=\"selected\"]/@value";

    public static void main(String[] args) {
        try {
            XPath xpath = XPathFactory.newInstance().newXPath();
            XPathExpression expr = xpath.compile(xpathExpr);
            NodeList nodeList = (NodeList) expr.evaluate(new InputSource(new StringReader(html)),XPathConstants.NODESET);
            for( int i = 0; i != nodeList.getLength(); ++i )
                System.out.println(nodeList.item(i).getNodeValue());
        } catch (XPathExpressionException e) {
            e.printStackTrace();
        }
    }
}

Answer 2

当然取决于您的HTML格式是多么糟糕。 Parser solution是首选。

符合您要求的正则表达式并不是一个挑战，只需将它组合在一起。

(?xi) # i-flag for caseless, x-flag for comments (free spacing mode) 

# 1.) match <select with optional space at the end
<\s*select\s[^>]*?\bname\s*=\s*["']\s*quantity[^>]*>\s*

# 2.) match lazily any amount of options until the "selected"
(?:<\s*option[^>]*>\s*)*?

# 3.) match selected using a lookahead and capture number from value
<\s*option\s(?=[^>]*?\bselected)[^>]*?\bvalue\s*=\s*["']\s*(\d[.,\d]*)

Try pattern at regex101或RegexPlanet (Java)以及Java字符串：

"(?i)<\\s*select\\s[^>]*?\\bname\\s*=\\s*[\"']\\s*quantity[^>]*>\\s*(?:<\\s*option[^>]*>\\s*)*?<\\s*option\\s(?=[^>]*?\\bselected)[^>]*?\\bvalue\\s*=\\s*[\"']\\s*(\\d[.,\\d]*)"

它没有多少魔力。一个长丑陋的模式，主要是因为解析html。

\s是空格[ \t\r\n\f]

short

\d是数字[0-9]
\b匹配word boundary
(?:打开non capturing group
[^>]是>的{{3}}（匹配字符，不是>）
(?=[^>]*?\bselected)使用negation完成检查，以便独立于订单
(\d[.,\d]*)部分来捕获数字。必填项是一位数字，带有任意可选[.,\d]

匹配将在group(1)第一个lookahead（带括号的组）中。

Answer 3

让我们Divide and Conquer。

首先，创建一个名为Option的类：

public class Option {

    private String value;
    private boolean selected;

    public Option() {
    }

    public Option(String value, boolean selected) {
        this.value = value;
        this.selected = selected;
    }

    public String getValue() {
        return value;
    }

    public void setValue(String value) {
        this.value = value;
    }

    public boolean isSelected() {
        return selected;
    }

    public void setSelected(boolean selected) {
        this.selected = selected;
    }

    @Override
    public String toString() {
        return "{" +
                "value='" + value + '\'' +
                ", selected=" + selected +
                '}';
    }

}

第二，我们需要一个regex来找到html标签：

static final Pattern OPTION_TAG_PATTERN = Pattern.compile("<option\\s*(value=\"\\w+\"\\s+(?:selected=\"selected\")?|(?:selected=\"selected\")?\\s+value=\"\\w+\")\\s*/>");

并提取value的价值：

static final Pattern VALUE_PATTERN = Pattern.compile("value=\"(\\w+)\"");

最后：

public class Test {

    private static final Pattern OPTION_TAG_PATTERN = Pattern.compile("<option\\s*(value=\"\\w+\"\\s+(?:selected=\"selected\")?|(?:selected=\"selected\")?\\s+value=\"\\w+\")\\s*/>");
    private static final Pattern VALUE_PATTERN = Pattern.compile("value=\"(\\w+)\"");

    public static void main(String[] args) {
        String html = "...\n" +
                "<select attr=\"other stuff\" name=\"quantity\">\n" +
                "    <option value=\"1\" />\n" +
                "    <option value=\"2\" selected=\"selected\" />\n" +
                "</select>\n" +
                "....\n" +
                "<select name=\"quantity\" attr=\"other stuff\">\n" +
                "    <option selected=\"selected\" value=\"5\" />\n" +
                "    <option value=\"6\" />\n" +
                "</select>";
        findOptions(html).forEach(System.out::println);
    }

    public static List<Option> findOptions(String htmlContent) {
        List<Option> options = new ArrayList<>();
        Matcher optionMatcher = OPTION_TAG_PATTERN.matcher(htmlContent);
        while (optionMatcher.find()) {
            options.add(toOption(htmlContent.substring(optionMatcher.start(), optionMatcher.end())));
        }
        return options;
    }

    private static Option toOption(String htmlTag) {
        Option option = new Option();
        Matcher valueMatcher = VALUE_PATTERN.matcher(htmlTag);
        if (valueMatcher.find()) {
            option.setValue(valueMatcher.group(1));
        }
        if (htmlTag.contains("selected=\"selected\"")) {
            option.setSelected(true);
        }
        return option;
    }

}

输出：

{value='1', selected=false}
{value='2', selected=true}
{value='5', selected=true}
{value='6', selected=false}

我希望这可以帮到你！

Answer 4

我认为正则表达式并不是最好的，因为复杂性使得难以通读和诊断代码。我们仍然可以使用正则表达式，但要打破逻辑，以便更容易阅读和改进：

String html = "<select attr=\"other stuff\" name=\"quantity\">" +
"<option value=\"1\" /> " +
"<option value=\"2\" selected=\"selected\" /> " +
"</select> " +
"<select name=\"quantity\" attr=\"other stuff\"> " + 
"<option selected=\"selected\" value=\"5\" /> " +
"<option value=\"6\" /> " + "</select>";
String options = "(?<=<option).*?(?=/>)";
Pattern pat = Pattern.compile(options, Pattern.DOTALL);
Matcher m = pat.matcher(html);
Pattern values = Pattern.compile("(?<=value=\").*?(?=\")");
Pattern selected = Pattern.compile("selected=\"selected\"");
Integer counter = 0;
while (m.find()) {
    Matcher sel = selected.matcher(m.group());
    if (sel.find()) {
        Matcher val = values.matcher(m.group());
        if (val.find()) {
            Integer count = Integer.parseInt(val.group());
            counter = counter + count;
        }
    }
}
System.out.println(counter.toString());
}

打印出所需的7

匹配java Regex中特定html标记的选定选项

4 个答案: