提取 HTML 标签之间的数据答案

【问题标题】：Extract data between HTML tags提取 HTML 标签之间的数据
【发布时间】：2015-09-26 21:37:45
【问题描述】：

我的 HTML 页面如下所示：

<htm>

<section class="posts">

      <script type="application/ld+json">
        {
          "url": "http://schema.org",
          "title": "some Title"
        }
      </script>


    <article class="post">
</html>

我想提取<script type="application/ld+json"> 和</script> 之间的数据。我已尝试使用以下代码，但无法正常工作。

Pattern pattern = Pattern.compile("<script type=\"application\\/ld\\+json\">(.*?)</script>");
Matcher matcher = pattern.matcher(str);
    while (matcher.find()) {
       System.out.println(matcher.group(1));
    }

我做错了吗？谢谢。

【问题讨论】：

是的，你做错了什么：html 上的正则表达式 = 坏主意。使用 DOM 解析器...
在模式的开头添加(?s)。
谢谢，成功了。 DOM 解析器，尤其是来自jsoup.org/download 的解析器本来是一个更简洁的解决方案，但这是一个非常小的玩具项目，所以为了速度，将使用正则表达式破解。不过还是谢谢。

标签： java html regex

【解决方案1】：

Jsoup 可能是最适合您的解决方案；它允许您快速轻松地解析 HTML。对于您的特定问题（假设您从字符串中获取 HTML），以下将起作用：

Document doc = Jsoup.parse(str);
Elements scriptElements = doc.select("script[type=\"application/ld+json\"]");
String scriptContent = scriptElements.first().html()

【讨论】：

【解决方案2】：

从上面的 HTML 中选择 JSON 的正则表达式

<script type="application\/ld\+json">(.*)<\/script>

在 Java 代码中：

String str = "<htm><section class=\"posts\"><script type=\"application/ld+json\">{\"url\": \"http://schema.org\",          \"title\": \"some Title\"}</script><article class=\"post\"></html>";
String regex = "<script type=\"application\\/ld\\+json\">(.*)<\\/script>";
Pattern pattern = Pattern.compile(regex, Pattern.DOTALL);
Matcher matcher = pattern.matcher(str);
while (matcher.find()) {
  System.out.println(matcher.group(1));
}

打印

{"url": "http://schema.org", "title": "some Title"}

解释见DEMO

【讨论】：