Question

输入：

<tag>Testing different formatting options in </tag><tag class="classA classB">Text</tag><tag class="classC">Class C text</tag>

预期输出：

<tag>Testing different formatting options in </tag><tagA><tabB>Text</tagA></tagB><tagC>Class C text</tag>

基本上，标签由基于“class”中属性的标签替换。即，如果属性具有classA属性，则标签将被tagA替换，如果classB属性也存在，那么标签也将包含tagB等等。

尝试：

    final String TAG_GROUPS = "<tag class=\"(.*)\">(.*)</tag>";
    Pattern pattern = Pattern.compile(TAG_GROUPS);
    Matcher matcher = pattern.matcher(inputString);

我得到的输出无法找到匹配的标签。特别声明

    String classes = matcher.group(1);

给出字符串classA classB">Text</tag><tag class="classC">Class C text</tag。模式匹配器无法找到匹配的标记。我是正则表达式的初学者，我想知道问题的正确模式。任何帮助表示赞赏。

Answer 1

你应该使用贪婪的正则表达式："<tag class=\"(.*?)\">(.*)</tag>"。否则，.*会匹配任何字符，包括</tag>。

但总的来说，我同意大家的看法，这不是使用正则表达式解析XML的最佳实践。请改用XML解析器。

Answer 2

虽然您可以使用regexp来定位开始标记并解析类，但是无法生成嵌套标记作为输出。有关详细信息，请参阅this answer。

你能做的就是编写自己的简单HTML解析器，但解析HTML时非常麻烦。换句话说：看看我的声誉，然后考虑我在没有充分理由的情况下尝试它（比如有人向我支付了50万美元）。

使用真实的HTML解析器，例如HTML Tidy。

Answer 3

使用*时，它会尝试吸收所有可能的字符（贪婪）。

如果您希望.*匹配较少的字符，则必须使用与*?的懒惰匹配。

所以你的正则表达式得到：

<tag class=\"(.*?)\">(.*?)</tag>

以上，是简单的方法。但不是最佳方式。懒惰比贪婪更慢，如果可以的话，你必须尽量避免它。例如，如果您估计代码是正确的（没有标记符号而没有关闭标记等），那么使用否定类而不是.*?会更好。例如，你的正则表达式可以写成：

<tag class="([^"]*)">([^<]*)</tag>

Witch对正则表达式引擎更有效（尽管并不总是可以将延迟匹配转换为否定类）。

当然，如果你试图用巫婆解析完整的html或xml文档，你必须做很多不同的改动，最好使用xml（html）解析器。

Java正则表达式用于在标记之间提取内容

3 个答案: