如何使图案有点清晰？ [复制]答案

【问题标题】：How to make pattern a bit clear? [duplicate]如何使图案有点清晰？ [复制]
【发布时间】：2018-04-16 10:02:04
【问题描述】：

我正在尝试使用正则表达式解析 html 页面，但我想要编译的模式看起来像怪物。

public static void main(String[] args)  {
        String form = "123123" +
                "<input type=\"hidden\" name=\"ip_h\" value=\"8d25cea553b4afe087\" />\n" +
                "<input type=\"hidden\" name=\"lg_h\" value=\"e04c5b67874fd6e28b\" />\n" +
                "<input type=\"hidden\" name=\"_origin\" value=\"https://oauth.site.com\" />\n"+
                 "<input type=\"hidden\" name=\"to\" value=\"aHR0cHM6Ly9vYXV0aC52ay5jb20vYXl\" />";
        Pattern pattern = Pattern.compile(".*\"ip_h\".value=\"([a-z0-9]*)\".*\\s.*lg_h\".value=\"([a-z0-9]*)\".*\\s.*\\s.*to\".value=\"([a-zA-Z0-9]*)\".*");
        Matcher matcher = pattern.matcher(form);
        matcher.matches();
        System.out.println(matcher.group(1)+matcher.group(2)+matcher.group(3));

    }

有没有机会说清楚一点？为什么当我有“\n”时我应该总是使用\s？ (.*) - 是否也匹配所有内容和空格？另外，如果我想获得更多关于错误的信息，我该怎么办，不仅是：“线程“主”java.lang.IllegalStateException 中的异常：未找到匹配项”

【问题讨论】：

不要使用正则表达式来解析 html。您可以使用jsoup.org 到此。
@JEY 但是只为 html 页面中的 3 个值使用外部库是矫枉过正的，不是吗？
当然，但是如果您想要一个更易读的代码来处理所有可能的情况，这是最好的方法（实现与 jsoup 等效的东西对您来说会很长）。如果您确定 html 是有效的 xml，那么您可以使用 DOM 或 SAX 对其进行解析。

标签： java regex

【解决方案1】：

在我看来，我认为您只是为了完成手头的任务而对正则表达式进行了过度思考。让你的表达尽可能简单易读总是一个好主意。很明显你已经意识到了这一点。

这里显然需要分组，因为您只需要与该数据特别相关的名称中的特定数据。由于您已经知道名称，因此您想要从中获取特定数据会使事情变得更容易：

现在我不知道网页内容由什么组成，但我们将介绍几个场景。您的情况很可能是两者中的后者。

场景 1：

如果网页内容中只有特定数量的行，其中包括：

<input type="hidden" name="ip_h" value="8d25cea553b4afe087" />
<input type="hidden" name="lg_h" value="e04c5b67874fd6e28b" />
<input type="hidden" name="_origin" value="https://oauth.site.com" />
<input type="hidden" name="to" value="aHR0cHM6Ly9vYXV0aC52ay5jb20vYXl" />

并且名称总是以相同的顺序，那么您可以使用这样的简单正则表达式：

"value\\=\"(.*?)\""

相当于说：

遍历整个字符串，并将介于一个看起来像 value=" 的子字符串和一个双引号字符 (") 之间的所有内容分组，因为值你想要的是在双引号内。

现在只需遍历找到的项目以收集数据：

while (matcher.find()) {
    System.out.println(matcher.group(1));
}

如果网页内容中还有其他行也包含标题为value= 的键并且其值也在双引号内，那么现在这根本不会很好地工作。上面的正则表达式示例也会将该数据提取出来，这显然是不好的。正则表达式不够具体，现在将我们带到下一个场景。

场景 2：

在这种特殊情况下，网页内容包含许多行，其中包含标题为 value= 的键及其相关数据值包含在双引号 (") 中。我们显然不希望它们所以我们需要更具体地使用我们的正则表达式。既然我们知道与内容中的 name 键相关的名称，我们试试：

"(\"ip_h\"|\"lg_h\"|\"to\").*value\\=\"(.*?)\""

这里我们使用两个组，我们想要的实际数据将包含在第二组中。第一组使用 RegEx OR 运算符 (|) 来保持简单。上面的正则表达式基本上是在说：

如果遇到 "ip_h" 或 "ip_h" 或 " 的名称，请沿整个字符串处理to" AND 直接在该名称之后的某个地方是一个看起来像 value=" 的子字符串，然后获取 value=" 和下一个遇到的 double 之间的数据引号 " 并将其放入第 2 组。

现在只需遍历找到的项目以收集第 2 组中包含的数据：

while (matcher.find()) {
    System.out.println(matcher.group(2));
}

如果您发现您仍然需要更具体地适应您的正则表达式来执行此操作。您可以添加另一个组。如果你发现它变大了，那么如果你愿意，可以将你的表达式放入一个字符串变量中。

String regEx = "(\\<input type\\=\"hidden\".*)(\"ip_h\"|\"lg_h\"|\"to\").*value\\=\"(.*?)\"";

Pattern pattern = Pattern.compile(regEx);
Matcher matcher = pattern.matcher(form);

// The required data ca be obtained from Group 3

以下是您的代码稍作修改：

String form = "123123" +
        "<input type=\"hidden\" name=\"ip_h\" value=\"8d25cea553b4afe087\" />\n" +
        "<input type=\"hidden\" name=\"lg_h\" value=\"e04c5b67874fd6e28b\" />\n" +
        "<input type=\"hidden\" name=\"_origin\" value=\"https://oauth.site.com\" />\n"+
        "<input type=\"hidden\" name=\"to\" value=\"aHR0cHM6Ly9vYXV0aC52ay5jb20vYXl\" />\n";

Pattern pattern = Pattern.compile("(\"ip_h\"|\"lg_h\"|\"to\").*value\\=\"(.*?)\"");
Matcher matcher = pattern.matcher(form);
List<String> foundValues = new ArrayList<>();
while (matcher.find()) {
    foundValues.add(matcher.group(2));
}

// Display List in Console...
for (int i = 0; i < foundValues.size(); i++) {
    System.out.println(foundValues.get(i));
}

// If you want to have all the found items placed
// into a one Dimensional String Array then you can
// use this code:
String[] itemsFound = foundValues.toArray(new String[0]);

// Display Array in Console...
System.out.println();
for (int i = 0; i < itemsFound.length; i++) {
    System.out.println(itemsFound[i]);
}

【讨论】：