用于捕获嵌套表的Java正则表达式模式

Question

我有一个html页面，我需要解析它有很多嵌套表。

<table>   <table>   <table > Status </table>  </table>  </table>
<table>   <table>   </table>  </table>

我正在尝试创建一个Java正则表达式模式，仅匹配文本

 <table> Status </table>

我也尝试过像Jsoup这样的html解析器，但是找不到一个干净的解析方法。我一直在打破这个问题，但无法干净地提取这段文字。有关使用Java正则表达式模式/ jsoup的任何帮助表示赞赏。

Answer 1

<table\s*>\s*(([^<]|<[^t]|<t[^a]|<ta[^b]|<tab[^l]|<tabl[^e])*?)\s*</table\s*>

您可以获取第一个捕获的组（正则表达式(和)之间匹配的内容）以获取<table>和</table>之间的内容（在您的第一个中）示例状态）。

说明：

我们搜索以：

开头的字符串

<table\s*>\s* (\s* is for any number of blank spaces)

包含除序列<table之外的任何内容：

([^<]|<[^t]|<t[^a]|<ta[^b]|<tab[^l]|<tabl[^e])*

结束时：

\s*</table\s*> (\s* is for any number of blank spaces)

我们搜索<table>和</table>之间序列的最小匹配（以便在第一个</table>之后不匹配）与?之后的匹配*。

Answer 2

这是一个有效的正则表达式：

.*(\s*<table\s*>\s*)+(<table\s*>.*</table\s*>)(\s*</table\s*>\s*)+

内部表及其文本位于第二个匹配组中。

作为小提琴： http://fiddle.re/w73vc6

这当然只有在嵌套方式与您指示的情况下才有效，即外表中没有其他内容，并且表格中没有更多表格以及您需要的文本。