Question

使用正则表达式，获取网站HTML并查找此标记内的值（或任何属性的值）的最简单方法是：

<html>
  <head>
  [snip]
  <meta name="generator" value="thevalue i'm looking for" />
  [snip]

Answer 1

取决于您需要构建的Http请求的复杂程度（身份验证等）。这是我过去看过的一种简单方法。

StringBuilder html = new StringBuilder();
java.net.URL url = new URL("http://www.google.com/");
BufferedReader input = null;
try {
    input new BufferedReader(
        new InputStreamReader(url.openStream()));

    String htmlLine;
    while ((htmlLine=input.readLine())!=null) {
        html.appendLine(htmlLine);
    }
}
finally {
    input.close();
}

Pattern exp = Pattern.compile(
    "<meta name=\"generator\" value=\"([^\"]*)\" />");
Matcher matcher = exp.matcher(html.toString());
if(matcher.find())
{
    System.out.println("Generator: "+matcher.group(1));
}

编译时可能会发现很多拼写错误。（希望这不是作业）

Answer 2

令人惊讶的是，在解决使用RegEx和HTML的问题时，没有人面临HTML的问题，通常 NOT 格式正确，因此很多HTML解析器完全没用。

如果您正在开发分析网页的工具以及这些不是格式良好的HTML的事实，那么“正则表达式永远不应该被用于解析HTML”的语句og“使用HTML解析器”只是完全是假的。事实是，在现实世界中，人们会按照自己的意愿创建HTML，而不一定适合解析器。

RegEx 是一种在文本中查找元素的完全有效的方法，因此是HTML格式。如果有任何其他合理的方法来解决原始海报所遇到的问题，则发布它们而不是引用“使用解析器”或“RTFM”声明。

Answer 3

您应该使用XPath查询。

这就像获取/html/head/meta[@name=generator]/@value的价值一样简单。

一个好的教程：Parsing an XML Document with XPath

Answer 4

您可能需要查看Apache的org.apache.commons.HttpClient包和相关包here的文档。从Java应用程序发送HTTP请求非常容易。阅读文档应该会让你走向正确的方向。

Answer 5

我没有试过这个，但基本框架不是

打开java.net.HttpURLConnection
使用getInputStream
使用Mike的答案中的正则表达式来解析您想要的位

Answer 6

严格地说，你不能确定你得到了正确的值，因为元标记可能被注释掉，或者元标记可能是大写的等等。这取决于你是多么肯定可以考虑HTML “很好”。

在HTML（Java）中查找值的快速方法

6 个答案: