Java中的正则表达式，查找开始和结束标记答案

【问题标题】：Regex in Java, finding start and end tagJava中的正则表达式，查找开始和结束标记
【发布时间】：2010-10-05 11:15:52
【问题描述】：

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

但是，我想检测“选择”标签和介于两者之间的数据。

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");

这是您要使用的“正则表达式”吗？

【问题讨论】：

标签： java html regex matcher

【解决方案1】：

如果你真的想用正则表达式进行拼接（这不是最佳选择），我会使用：

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

【讨论】：

嘿，我尝试了你的正则表达式，它适用于一行中的标签，但不适用于多个标签。在这里检查 - regexr.com/38udu你能帮忙改变什么，以便它跨多行选择标签
@NitishDhar . 不匹配换行符；请改用[^] 或[\s\S]。

【解决方案2】：

我会使用类似的东西：

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

我不确定你为什么不使用“>”，而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）。

话虽如此，我真的会考虑获取一个 DOM 并使用 XPath（或类似的）来执行您的查询，因为正则表达式不是 well known for their ability to deal with trees。

【讨论】：

去掉开始标签中的“>”，以防有属性。我认为没有理由将其从结束标签中删除。
这将无法匹配
这些是我强烈建议您使用 XPath 而不是将一个讨厌的正则表达式放在一起的众多原因中的一些，如果您实际上并不关心属性值、命名空间、实体等。

【解决方案3】：

我认为更安全的是有这样的东西：

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

为了更安全，您可能应该在第一次选择之后添加 \w*，以防出现任何其他选择选项。

如果您的 HTML 符合标准，第三个 \s* 也可能会被跳过。

【讨论】：

如果“其他选择选项”是指 SELECT 标签属性，\w* 不会删除它。另外，我认为在左尖括号之后不需要允许空格。除非 OP 提出更详细的要求，否则@Gumbo 的正则表达式是可行的方法。
这将不匹配<select class="mark">text</select>，甚至添加\w*。

【解决方案4】：

我知道您认为您不需要一个成熟的解析器 - 我们都曾在某个时候编写过 HTML 正则表达式解析器，并认为“我的用例是如此简单，我当然可以使用正则表达式 this 时间！”

但我认为每个已经完成它的人最终都会得出结论，将繁重的工作外包给现有的众多优秀解析器之一会更快、更容易、更简单和更安全。我知道我有。

查看jSoup - 它简单、快速且有效。真的没有理由不使用它。

如果你仍然不相信，你必须来询问正确的模式是什么 - 你得到了三个不同的答案作为回应 - 没有一个能完成整个工作 -应该说明问题比乍看之下要复杂得多。

【讨论】：

【解决方案5】：

根据您的需要，我还建议您进行负面预测，以确保您在第一次出现 select 时停止。

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

这里的重要部分是“((?:(?!select).)*)”，它接受任何与否定前瞻不冲突的内容。

同样可以通过使用惰性量词来实现：

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

这些都可以确保您在第一次出现时停止，从而阻止您同时参加多个部分。然而，它并不能保护您免受嵌套选择标签的影响，相反，这些标签会导致此表达式出现问题。使用此表达式，以下将是一个问题：

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

如果没有前瞻或惰性量词，以下将是一个问题：

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

【讨论】：