尝试使用 Java 正则表达式解析 HTML 目录列表中的链接答案

【问题标题】：Trying to parse links in an HTML directory listing using Java regex尝试使用 Java 正则表达式解析 HTML 目录列表中的链接
【发布时间】：2011-02-02 07:24:19
【问题描述】：

好的，我知道每个人都会告诉我不要使用 RegEx 来解析 HTML，但我在 Android 上编程并且没有准备好访问 HTML 解析器（我知道）。此外，这是服务器生成的 HTML，应该比用户生成的 HTML 更加一致。

正则表达式如下所示：

Pattern patternMP3 = Pattern.compile(
        "<A HREF=\"[^\"]+.+\\.mp3</A>",
        Pattern.CASE_INSENSITIVE |
        Pattern.UNICODE_CASE);
Matcher matcherMP3 = patternMP3.matcher(HTML);
while (matcherMP3.find()) { ... }

输入的 HTML 都在一行上，这导致了问题。当 HTML 位于不同的行时，此模式有效。有什么建议吗？

【问题讨论】：

你能举一个链接的例子吗？

标签： java html android regex

【解决方案1】：

你不应该匹配 '.+'，因为你已经得到了 [^\"]+（这对你的特定情况更好）。

试试：

"<A HREF=\"[^\"]+\\.mp3\"</A>"

另外，不要忘记 mp3 后面的双引号。

【讨论】：

没有得到任何匹配。请注意，我正在尝试捕获

【解决方案2】：

正则表达式

"<A HREF=\"([^\"]+)\"[^>]*>([^<]+?)\\.mp3</A>"

应该匹配您的链接，并在其组中包含链接和文件名。但请注意，href 的参数不一定需要在 html 中用引号引起来。（或者，如果需要，浏览器和开发人员都不知道 =）。 )

【讨论】：

【解决方案3】：

供您参考，在 Android 上，您可以使用 org.cyberneko.html.parsers.SAXParser、org.xml.sax.* 和 org.dom4j.* 的组合“正确”解析 HTML。

http://sourceforge.net/projects/nekohtml

http://www.saxproject.org

http://dom4j.sourceforge.net

【讨论】：