Question

我需要使用Java从HTTP响应中删除一些内容。响应中的必填字段是：foo，bar和bla。我目前的模式很慢。任何想法如何改进？

响应：

...
<div class="ui-a">
<div class="ui-b">
    <p><strong>foo</strong></p>
    <p>bar</p>
</div>
<div class="ui-c">
    <p><strong>bla</strong></p>
    <p>...</p>
</div>
</div>

<div class="ui-a">
<div class="ui-b">
    <p><strong>foo1</strong></p>
    <p>bar1</p>
</div>
<div class="ui-c">
    <p><strong>bla1</strong></p>
    <p>...</p>
</div>

模式：

.*?<div class="ui-a">.*?<strong>(.*?)</strong>.*?<p>(.*?)</p>.*?</div>.*?<div class="ui-c">.*?<strong>(.*?)</strong>.*?

Answer 1

由于您无法使用HTML解析器，请尝试以下操作：

import java.util.regex.*;

public class Main {
    public static void main (String[] args) {
        String html =
                "...\n" +
                "<div class=\"ui-a\">\n" +
                "<div class=\"ui-b\">\n" +
                "    <p><strong>foo</strong></p>\n" +
                "    <p>bar</p>\n" +
                "</div>\n" +
                "<div class=\"ui-c\">\n" +
                "    <p><strong>bla</strong></p>\n" +
                "    <p>...</p>\n" +
                "</div>\n" +
                "</div>\n" +
                "\n" +
                "<div class=\"ui-a\">\n" +
                "<div class=\"ui-b\">\n" +
                "    <p><strong>foo1</strong></p>\n" +
                "    <p>bar1</p>\n" +
                "</div>\n" +
                "<div class=\"ui-c\">\n" +
                "    <p><strong>bla1</strong></p>\n" +
                "    <p>...</p>\n" +
                "</div>";

        Pattern p = Pattern.compile(
                "(?sx)                               # enable DOT-ALL and COMMENTS     \n" +
                "<div\\s+class=\"ui-a\">             # match '<div...ui-a...>'         \n" +
                "(?:(?!<strong>).)*+                 # match everything up to <strong> \n" +
                "<strong>([^<>]++)</strong>          # match <strong>...</strong>      \n" +
                "(?:(?!<p>).)*+                      # match up to <p>                 \n" +
                "<p>([^<>]++)</p>                    # match <p>...</p>                \n" +
                "(?:(?!<div\\s+class=\"ui-c\">).)*+  # match up to '<div...ui-a...>'   \n" +
                "<div\\s+class=\"ui-c\">             # match '<div...ui-c...>'         \n" +
                "(?:(?!<strong>).)*+                 # match everything up to <strong> \n" +
                "<strong>([^<>]++)</strong>          # match <strong>...</strong>      \n"
        );

        Matcher m = p.matcher(html);

        while(m.find()) {
            System.out.println("---------------");
            for(int i = 1; i <= m.groupCount(); i++) {
                System.out.printf("group(%d) = %s\n", i, m.group(i));
            }
        }
    }
}

将打印以下内容到控制台：

---------------
group(1) = foo
group(2) = bar
group(3) = bla
---------------
group(1) = foo1
group(2) = bar1
group(3) = bla1

请注意我的更改：

*+和++：http://www.regular-expressions.info/possessive.html
而不是.*?，我使用了(?:(?!...).)*+。第一个，.*?将跟踪所有可能的匹配，以便能够在稍后阶段进行回溯。后者(?:(?!...).)*+不会跟踪这些匹配。

这应该更快（不确定多少......）。

Answer 2

似乎，你要找的只是标签之间，你可以使用：

<strong>([a-zA-Z0-9]+)</strong>

此外，根据强标记内的内容，您可以更改模式，例如如果您确定文本总是小的情况下您可以从上面的模式中删除A-Z，或者如果它只包含4个字符，您可以在模式后使用{4}。

Answer 3

将所有字符串转换为<p>标记，以便您可以搜索其中包含的内容（并删除<strong>）。但如果你使用解析器而不是正则表达式可能会更好。 Search all <p>; If <p> has childNode then get <p>.text; else get <p>.text.

Answer 4

请考虑使用JSoup。有些well-known problems使用正则表达式来解析HTML。

Answer 5

如果您不依赖正则表达式来验证html，并且您没有权限修改html的结构。此外，摆脱最后的.*?是必要的，因为第一个将在后续比赛中发生冲突。基本上你有.*?.*?因为引擎会尝试查找最后<strong>标记和下一个<div class="ui-a">标记之间所有字符的所有可能排列。非常低效。试试这个：

.*?<div class="ui-a">.*?<strong>(.*?)</strong>.*?<p>(.*?)</p>.*?</div>.*?<div class="ui-c">.*?<strong>(.*?)</strong>

旁注：您确定要在<strong>内找到第一个<div class="ui-a">标记，因为第一个<strong>标记似乎发生在<div class="ui-b">内案例：

.*?<div class="ui-b">.*?<strong>(.*?)</strong>.*?<p>(.*?)</p>.*?</div>.*?<div class="ui-c">.*?<strong>(.*?)</strong>

更准确。

如果您知道所需的捕获组中没有嵌套标记，则可以使用以下方法进一步优化：

.*?<div class="ui-b">.*?<strong>([^<]*)</strong>.*?<p>([^<]*)</p>.*?</div>.*?<div class="ui-c">.*?<strong>([^<]*)</strong>

Answer 6

你的正则表达式既有领导也有训练。*？我不明白为什么。如果数据格式良好，你只是意味着一定数量的空白，是吗？为什么不是：

Pattern p = "<div class=\"ui-b\">\s*<p><strong>([^<]*)</strong></p>\s*<p>([^<]*)</p>\s*</div>\s*<div class=\"ui-c\">\s*<p><strong>([^<]*)</strong></p>";
Matcher m = p.matcher(responseText);

while (m.find()) {
   String foo = m.group(1);
   String bar = m.group(2);
   String bla = m.group(3);

   /* do whatever w/ foo, bar, bla */
}

我放弃了所有.*?

并用空格替换内部的那些（或者在那里你可以省略更多 - 也许）。但无论如何，为什么你需要开始和结束。*？

如果格式良好，只需进行空格搜索就可以大幅增加。

模式优化

6 个答案: