Question

我有这三个文本和一个正则表达式。（好吧，这是HTML，但是......请不要专注于它!!!!）

<h3 class="pubAdTitleBlock "><a href="/it/pubblicazioni/libri/Che-speranza-cè-per-i-morti/1101987030/" title="Che speranza c’è per i morti?">Che speranza c’è per i morti? (volantino N. 16)</a></h3>

<h3 class="pubAdTitleBlock "><a href="/it/pubblicazioni/libri/cosa-insegna-la-bibbia/È-questo-che-Dio-voleva/" title="È questo che Dio voleva?">Cosa insegna realmente la Bibbia?</a></h3>

<h3 class="pubAdTitleBlock">Cantiamo a Geova</h3>

这是正则表达式

regexp = "<h3[^>]*>(<a[^>]*>)?([^<]+)(</a>)?</h3>";

我有三组：

开场<a>代码（可选）
文字（这是书名，这是正则表达式的目标）
结束</a>代码（可选）

问题：第二行匹配，第三行匹配。第一个没有。为什么？

匹配代码：

pattern = Pattern.compile(regexp);
matcher = pattern.matcher(fullString);
idx = 0;
while (matcher.find()) {
  ...
}

matcher.find()只是跳过第一行。这不是文件的第一行，它是第10行。这是第一个例子。

可以是字面括号的问题吗？如何修复正则表达式？

编辑：我试过

String regexp = "<h3[^>]*>(.+)</h3>";

但是这个正则表达式跳过第一行......我真的无法理解!!!!

编辑2：

我有一个dubt：如果有重音字符可能会有问题吗？

编辑3：

我正在尝试从此处进行数据抓取：http://www.jw.org/it/pubblicazioni/libri/?contentLanguageFilter=it&sortBy=3

我有一个输入流，然后我使用以下代码转换为单个字符串：

 // copied from http://stackoverflow.com/questions/309424/read-convert-an-inputstream-to-a-string
public static String convertStreamToString(InputStream is) {
    try {
        return new java.util.Scanner(is, "UTF-8").useDelimiter("\\A").next();
    } catch (java.util.NoSuchElementException e) {
        return "";
    }

然后我正在使用正则表达式...

Answer 1

不确定但也许这就是你要找的东西

String data = "<h3 class=\"pubAdTitleBlock \"><a href=\"/it/pubblicazioni/libri/Che-speranza-cè-per-i-morti/1101987030/\" title=\"Che speranza c’è per i morti?\">Che speranza c’è per i morti? (volantino N. 16)</a></h3>"
        + "<h3 class=\"pubAdTitleBlock \"><a href=\"/it/pubblicazioni/libri/cosa-insegna-la-bibbia/È-questo-che-Dio-voleva/\" title=\"È questo che Dio voleva?\">Cosa insegna realmente la Bibbia?</a></h3>"
        + "<h3 class=\"pubAdTitleBlock\">Cantiamo a Geova</h3>";

Pattern pattern = Pattern
        .compile("<h3[^>]*>(?:<a[^>]*>)?([^<]+)(?:</a>)?</h3>");
Matcher matcher = pattern.matcher(data);
while (matcher.find()) 
    System.out.println(matcher.group(1));

输出：

Che speranza c’è per i morti? (volantino N. 16)
Cosa insegna realmente la Bibbia?
Cantiamo a Geova

小解释：

像(?:someregex)这样的组不会被正则表达式机制计算在内。感谢(?:a)(b)(?:c)(d)群组中的(b)将{1}}编入索引，(d)编号为2。

EDIT1

（我知道使用正则表达式解析HTML的亵渎，但因为OP想要它......）您忘了提到解析的HTML包含{{1>}内的制表和新行标记等空格。试试这种方式：

<h3 >

输出：

String data = convertStreamToString(new URL(
        "http://www.jw.org/it/pubblicazioni/libri/?contentLanguageFilter=it&sortBy=3")
        .openStream());

Pattern pattern = Pattern
        .compile("<h3[^>]*>\\s*(?:<a[^>]*>)?([^<]+)(?:</a>)\\s*?</h3>");
Matcher matcher = pattern.matcher(data);
int counter=0;
while (matcher.find())
    System.out.println(++counter +")"+matcher.group(1));

Answer 2

不要使用Parser或RegExp。试试Jerry。喜欢（未经测试）：

Jerry doc = jerry(html);
doc.$("a").each(new JerryFunction() {
    public boolean onNode(Jerry $this, int index) {
        String href = $this.attr("href");
        System.out.println(href);
    }
}

或任何html友好的查询语言。由于非外部要求，请尝试Trying to parse links in an HTML directory listing using Java

（我的回答来自：How do you parse links from html using Java?）

编辑：尝试

<h3.*?>(<a.*)?+(.*?)(</a>)?</h3>

并获得组（2）

编辑2：仅针对书名尝试：

(.*>)?([^<]+?)<.*

编辑3：你的正则表达式

<h3[^>]*>(<a[^>]*>)?([^<]+)(</a>)?</h3>

看起来适合我。

java和regex：如何将字符串与字面括号匹配？

2 个答案:

EDIT1