Question

使用此正则表达式(<a[^>]+>.+?<\\/a>)我尝试打印匹配的链接。

因此应打印t1,t2,t3但不打印任何内容：

val str = "tester<a href=\"t1\">this is just test text<a href=\"t2\">\\r\\t\\s<a href=\"t3\">"
val re = "(<a[^>]+>.+?<\\/a>)".r
for (p <- re findAllIn str) p match {
  case re(b) => print(b)
}

正则表达式或正则表达式的实现方式是不正确的？

更新：

使用已接受的答案，这将从网址下载所有有效的href（以＆＃39; http＆＃39;开头），在本例中为https://news.ycombinator.com/：

import scala.io.Source
import org.jsoup.Jsoup
import org.jsoup.nodes.Document
import scala.collection.JavaConversions._

object Main extends App {

  val hrefs = getHrefsFromPage("https://news.ycombinator.com/");

  hrefs.foreach(e => println(e))

  def getHrefsFromPage(url: String): List[(String, String)] = {

    val doc = Jsoup.parse(Source.fromURL(url).mkString)
    val aTags = doc.select("a").iterator.toList
    val ts = (for (t <- aTags) yield (t.attr("href"), t.text))
    val fts = ts.filter(f => f._1.trim.startsWith("http"))

    return fts;
  }

}

Answer 1

Read this SO Answer first please.

现在回来了。

你需要使用一个可靠的html解析器来解析html字符串，在大多数非平凡的情况下，正则表达式都不够。

正则表达不会因为

而完成工作

容易出错，我们一直在写正则表达式的错误，而且你只是验证者和维护者（维护噩梦）
难以维护和记录
难以测试，您必须考虑正则表达式的所有可能的测试用例字符串，然后为其编写测试用例。

为什么Html解析器更好

不容易出错，已由多个贡献者和用户验证，与您只使用和验证的正则表达式不同

在自己的网站上记录和javadoc

Html在库中解析已经过测试，您可以专注于测试您的应用功能或业务用例。

CSS选择器和DOM结构，用于选择和操作Html。（这是最大的好处，你需要css选择器支持任何严肃的HTML工作。）

因此，我建议您使用Jsoup html parser。下面我将描述您案例的用法。

首先获取依赖或者只是下载jar。 Maven依赖如下：

<dependency> <groupId>org.jsoup</groupId> <artifactId>jsoup</artifactId> <version>1.9.2</version> </dependency>

接下来是导入

import org.jsoup.Jsoup import org.jsoup.nodes.Document

现在解析你的html字符串

val str = "tester<a href=\"t1\">this is just test text<a href=\"t2\">\\r\\t\\s<a href=\"t3\">" val doc = Jsoup.parse(str)

这给出了什么：

doc: org.jsoup.nodes.Document = <html> <head></head> <body> tester <a href="t1">this is just test text</a> <a href="t2">\r\t\s</a> <a href="t3"></a> </body> </html>

请注意使用字符串中已清理标记生成的完整结构。

获取所有<a>代码

val aTags = doc.select("a")

结果：

aTags: org.jsoup.select.Elements = <a href="t1">this is just test text</a> <a href="t2">\r\t\s</a> <a href="t3"></a>

获取所有<a>标记字符串表示

val aTagsString = aTags.toString

结果：

aTagsString: String = <a href="t1">this is just test text</a> <a href="t2">\r\t\s</a> <a href="t3"></a>

获取第一个或第0个<a>代码

val firstATag = doc.select("a").get(0)

结果：

firstATag: org.jsoup.nodes.Element = <a href="t1">this is just test text</a>

获取第一个<a>代码
的字符串表示形式
val firstATagString = firstATag.toString

结果：

firstATagString: String = <a href="t1">this is just test text</a>

获取firstATag的内部文本（第0个<a>标记）

val firstATagInnerText = firstATag.text

结果：

firstATagInnerText: String = this is just test text

注意：即使你的标签没有关闭，这个解析器工作正常。虽然你的正则表达式实现失败了这个边缘情况。

使用Scala匹配String中的href

1 个答案: