Question

我遇到了这个Hackerrank问题，正则表达式应该匹配HTML标记之间的字符串。正则表达式和字符串是

String str="<h1>Hello World!</h1>";
String regex="<(.+)>([^<]+)</\\1>";

如果'str'具有多个String str="<h1><h1>Hello World!</h1></h1>"这样的HTML标签，以及([^<]+)如何捕获此'str'怎么办。

我的问题是([^<]+)与'str'而不是([a-zA-Z]+)匹配。

这里是完整的源代码：

import java.util.regex.Matcher;
import java.util.regex.Pattern;

/* Solution assumes we can't have the symbol "<" as text between tags */
public class Solution{
    public static void main(String[] args){
        Scanner scan = new Scanner(System.in);
        int testCases = Integer.parseInt(scan.nextLine());

        while (testCases-- > 0) {
            String line = scan.nextLine();

            boolean matchFound = false;
            Pattern r = Pattern.compile(regex);
            Matcher m = r.matcher(line);

            while (m.find()) {
                System.out.println(m.group(2));
                matchFound = true;
            }
            if ( ! matchFound) {
                System.out.println("None");
            }
        }
    }
}

别介意我是否愚蠢地问这个问题并预先感谢您！

Answer 1

如果输入字符串为Hello World!，则由于感叹号（！）和空格字符，([a-zA-z]+)将无法正确匹配。

更清楚地说，这是每个正则表达式的含义：

([a-zA-Z]+)匹配由字母（大写或小写）组成的序列（1个或更多字符）
([^<]+)匹配一个序列（1个或多个字符），只要一个字符不是一个<字符

Answer 2

此正则表达式保证您的字符串仅包含一个标签，并假设HTML输入格式正确。

首字母<(.+)>捕获标签的名称。捕获组还将获得它可以获取的所有属性。由于+是贪婪的量词，因此它会捕获多个标签。

结尾的</\\1>与第一个捕获的匹配。这就是为什么如果您的HTML格式正确，则该表达式将无法捕获多个标签或具有以下属性的标签：

开始标签<h1>，结束标签</h1>✓
打开标签<h1 attr="value">，关闭标签</h1>，但期望</h1 attr="value">
打开标签<h1><h2>，关闭标签</h2></h1>，但期望</h1><h2>

这就是为什么标签可以与.+相当安全地匹配的原因，而内容必须与[^<]+匹配。您想确保您没有抓住内容中的任何停留标签，但完全不允许使用其他任何字符。 [^<]+（读音。“至少不是<一次）允许使用!之类的东西，而[A-za-z]肯定不允许。

这个group（）如何捕获文本？

2 个答案: