Question

我正在尝试在HTML文档中查找数据。我不需要一个完整的解析器，因为它只是一个标签之间的数据。

但是，我想检测'select'标签及其间的数据。

return Pattern.compile(pattern, 
                       Pattern.CASE_INSENSITIVE | Pattern.MULTILINE |
                       Pattern.DOTALL);

/// End right angle bracket left off intentionally:
track_pattern_buf.append("<select");
track_pattern_buf.append("(.*?)");
track_pattern_buf.append("</select");

这是你要使用的'正则表达式'吗？

Answer 1

如果你真的想用正则表达式（这不是最好的选择），我会使用：

"<select[^>]*>(.+?)</select\s*>"

Answer 2

我会使用类似的东西：

"<select>([^<>]+)</select>"

我不确定你为什么不离开'＆gt;'并且我不想匹配其他标签（这里我假设我们正在寻找文本数据而不是文档片段）。

话虽这么说，我真的会考虑获取一个DOM并使用XPath（或类似的）来进行查询，因为正则表达式不是well known for their ability to deal with trees。

Answer 3

我认为更安全的是拥有类似的东西：

"<\s*select\s*>(.*?)<\s*/select\s*>"

为了提高安全性，您应该在第一次选择后添加\ w *，以防出现任何其他选择选项。

如果您的HTML符合标准，则可能会跳过第3个\ s *。

Answer 4

我知道你认为你不需要一个完整的解析器 - 我们都在某个时候编写了一个HTML正则表达式解析器，认为“我的用例非常简单，当然我可以使用正则表达式这个< / em>时间！“

但我认为所有已经离开并完成它的人最终得出的结论是，将繁重的工作外包给许多优秀的现有解析器之一会更快，更容易，更简单，更安全。我知道我有。

查看jSoup - 它很简单，速度很快，而且很有效。没有充分的理由不使用它。

如果你仍然不相信，你必须来问问正确的模式是什么 - 你得到了三个不同的答案 - 没有一个完成整个工作 - 应该说这个问题比初看起来要复杂得多。

Answer 5

根据您的需要，我还建议您做一个负面的预测，以确保您在第一次选择时停止。

"(?<selectGroupName><select>((?:(?!select).)*)</select>)"

这里的重要部分是“（（？:(？！select）。）*）”它采取任何不与负面预测相冲突的事情。

使用惰性量词也可以实现同样的目的：

"(?<selectGroupName><select>(.*?)</select>)"

这些都可以确保您在第一次出现时停止阻止您同时拍摄多个部分。但它确实不会保护您免受嵌套的选择标记的影响，相反，这会导致此表达式出现问题。使用此表达式将是一个问题：

<select>
    <select>
    </select>
</select>

如果没有前瞻或懒惰的量词，以下将是一个问题：

<select>
</select>
<a>
    <select>
    </select>
</a>

Java中的正则表达式，查找开始和结束标记

5 个答案: