Question

我正在使用正则表达式解析Java中的HTML文件，我想知道如何匹配所有href =＆＃34;＆＃34; not 的元素以.htm或.html结尾，如果匹配，则将引号之间的内容捕获到组中

这些是我迄今为止尝试过的：

href\s*[=]\s*"(.+?)(?![.]htm[l]?)"

href\s*[=]\s*"(.*?)(?![.]htm[l]?)"

href\s*[=]\s*"(?![.]htm[l]?)"

我理解，对于前两个，引号之间的整个字符串将被捕获到第一个组中，包括.htm（l）（如果存在）。

有谁知道我怎么能避免这种情况发生？

Answer 1

作为旁边的答案，jsoup在处理html时是一个非常好的API。

使用jsoup：

Document doc = Jsoup.parse(html);
for(Element link : doc.select("a")) {
    String linkHref = link.attr("href");
    if(linkHref.endsWith(".htm") || linkHref.endsWith(".html")) {
        // do something
    }
}

Answer 2

试试这个.*\.(?!(htm|html)$)

任何数字中的任何字符。*后跟一个点。没有跟着htm，htmt（？！...）

Answer 3

您可以重新排列表达式，并在捕获之前将负向前移：

href\s*[=]\s*"(?!.+?[.]htm[l]?")(.+?)"

Here是一个演示。

Java：匹配所有不以.htm结尾的字符串？“

3 个答案: