Question

我正在尝试从HTML和XML页面中提取页面标题。这是我使用的正则表达式：

Pattern p = Pattern.compile(".*<head>.*<title>(.*)</title>.*</head>.*");

问题是它只从HTML文件中提取标题，并为XML文件提供null。任何人都可以帮我改变正则表达式以获取XML页面标题吗？

代码：

content= stringBuilder.toString(); // put content of the file as a string
Pattern p = Pattern.compile(".*<head>.*<title>(.*)</title>.*</head>.*");
Matcher m = p.matcher(content);
while (m.find()) {
    title = m.group(1);
}

Answer 1

如上所述，regexp不适合XML和HTML解析。但是，在某些情况下它会派上用场，所以这里应该有用：

Pattern p = Pattern.compile("<head>.*?<title>(.*?)</title>.*?</head>", Pattern.DOTALL); 
Matcher m = p.matcher(content);
while (m.find()) {
    title = m.group(1);
}

如果您使用Matcher，则无需在前后放置.*（因为它们不属于任何组）。您也可以查看不情愿的限定符（即*?而不是*，+?而不是+等等。）如果没有。最后，您还应该使用Pattern.DOT_ALL标志，否则点与行终止符

不匹配

Answer 2

OMG ..正则表达式？怎么样（例如去除身体部分）

StringBuilder sb = new StringBuilder();
sb.append(html, html.indexOf("<body>") + 6, html.lastIndexOf("</body>"));
String headless = sb.toString();
System.out.println(headless);

java Regular Expression提取页面标题

2 个答案: