Question

我试图查找具有特定属性/文本（作为组捕获）的锚（<a>）HTML标记的所有出现（可能有零个或多个）。

正则表达式：<a\s+.*attr1="myattr".*attr2="(.+)".*attr3="(.+)".*>(.+)</a>

输入字符串：

First <a attr1="myattr" attr2="value12" attr3="value13">text1</a> Second <a attr1="myattr" attr2="value12" attr3="value13">text1</
a> Third <a attr1="myattr" attr2="value12" attr3="value13">text1</a>

结果：它说只发现了一次。它将返回第一次出现的＆＃34; <a＆＃34;作为正确的起始索引（匹配），但它表示最后一次出现＆＃34; </a>＆＃34;作为最终指数。预期结果：3场比赛，每场比赛3组（由正则表达式中的括号指定）。

Answer 1

正则表达式默认为贪婪，因此.*将匹配尽可能多的字符。您应该使用.*?作为非贪婪模式。

Answer 2

正如user4098326所述，问题在于贪婪。由于您使用了大量.+组，因此它们会占用尽可能多的字符，直到字符串结束。

<a\s+.*（更具体的是.*）会占用所有字符，直到attr1="myattr"的最后一次出现。然后，字符串的其余部分将完成表达式的其余部分。

Answer 3

Regex is not best tool for parsing HTML。容易犯错的事情（比如使用贪婪的.*而不是不情愿的.*?）只是我们应该避免将正则表达式与XML / HTML混合的一小部分原因。

如果属性被'而不是"包围，会怎样？
如果您的HTML包含document.write("<a attr1='foo' attr2='bar'>text</a><br/>")
如果元素在评论中怎么办？

有许多更好的理由可以避免使用正则表达式和HTML。因此，您应该考虑使用jsoup之类的正确解析器而不是正则表达式。

这样，选择包含a attr1 attr2属性的所有attr3代码的代码就像

Elements elements = doc.select("a[attr1][attr2][attr3]");

演示：

String html = "First <a attr1=\"myattr\" attr2=\"value12\" attr3=\"value13\">text1</a>"
        + " Second <a attr1=\"myattr\" attr2=\"value12\" attr3=\"value13\">text1</a>"
        + " Third <a attr1=\"myattr\" attr2=\"value12\" attr3=\"value13\">text1</a>";

Document doc = Jsoup.parse(html);
Elements elements = doc.select("a[attr1][attr2][attr3]");

for (Element el: elements){
    System.out.println(el);
    System.out.println(el.attr("attr1"));
    System.out.println(el.attr("attr2"));
    System.out.println(el.attr("attr3"));
    System.out.println(el.text());
    System.out.println("--------------");
}

输出：

<a attr1="myattr" attr2="value12" attr3="value13">text1</a>
myattr
value12
value13
text1
--------------
<a attr1="myattr" attr2="value12" attr3="value13">text1</a>
myattr
value12
value13
text1
--------------
<a attr1="myattr" attr2="value12" attr3="value13">text1</a>
myattr
value12
value13
text1
--------------

使用Regex查找多个匹配项

3 个答案: