Java .split() 与正则表达式匹配 html <a> 链接答案

【问题标题】：Java .split() with regex to match html <a> linksJava .split() 与正则表达式匹配 html <a> 链接
【发布时间】：2011-10-13 11:54:05
【问题描述】：

我需要解析一个字符串并转义除 <a> 链接之外的所有 html 标记。

例如：

"Hello, this is <b>A BOLD</b> bit and this is <a href="www.google.com">a google</a> link"

当在我的 jsp 中打印出来时，我希望看到标签按原样打印出来（即转义，因此页面上的“A BOLD”实际上不是粗体），但 <a> 链接是指向 google 的实际链接在页面上。

我有一个小方法可以根据正则表达式拆分传入的字符串，以匹配各种格式的<a> 链接（带有空格、单引号或双引号等）。正则表达式如下：

myString.split("<a\\s[^>]*href\\s*=\\s*[\\\"\\|\\\'][^>]*[\\\"\\|\\\']\\s*>[^<\\/a>]*<\\/a>");

是的，这很可怕，而且可能效率低下，因此对其他建议持开放态度，但它确实在一定程度上起作用。它失败的地方是解析链接文本位。我希望它接受除</a> 结束标记之外的任何字符的零次或多次出现，但它会将其解析为除“”之外的任何字符的零次或多次出现"，即作为单个字符而不是完整的 </a> 单词。例如，它与任何带有“e”的文本匹配。

有问题的位是：[^<\\/a>]*

如何更改它以匹配整个单词而不是其组成字符？我试过括号等，但没有任何效果。

【问题讨论】：

你的做法不好。使用真正的解析器。如果是 XHTML，则可以将其解析为 XML。
Don't use regex to parse HTML。您可以尝试改用jsoup。
你最好使用 Html 解析器。
我会给 jsoup 一个狂欢。谢谢。
@skyuzo +1 只是为了指出另一个问题！！

标签： java html regex

【解决方案1】：

您可以使用jsoup HTML Cleaner with a Whitelist 清理您的HTML，而不会破坏<a> 标签：

String unsafe = 
    "<p><a href='http://example.com/' onclick='stealCookies()'>Link</a></p>";
String safe = Jsoup.clean(unsafe, Whitelist.addTags("a"));
// now: &lt;p&gtr;<a href="http://example.com/" rel="nofollow">Link</a>&lt;/p&gtr;

【讨论】：

感谢您的指点。我不得不对其进行一些修改以使其正常工作：String dirty = "Hello, testing the <a target=\"_blank\" href ='www.google.com' title=\"blah\">val</a> a links <b>to make</b> sure <hr/> they work.";String cleaned = Jsoup.clean(dirty, new Whitelist().addTags("a").addAttributes("a", "href", "name", "rel", "target")); 不幸的是，这完全去除了不需要的 html。我的要求是转义不需要的 html。我看到 Document 对象上有 OutputSettings ，但这里没有使用。我错过了什么吗？
改用AntiSamy。

【解决方案2】：

虽然我同意 regex 并非旨在解析 xml 的共识意见，但我觉得有时，您只是没有时间学习、实践和实施新概念，一个简单的 regex 可能就足够了你的情况。

如果你有足够的时间，学习 xml 解析器。否则，对于您的问题，这是一个未经测试且可能不是用户证明的正则表达式命题（转义 java 字符串的斜杠）：

<\s*(?:[^aA]\b|[a-zA-Z0-9]{2,})[^>]*>

翻译成：

<\s* # less-than character with optional space
(?:  # non capturing group of
  [^aA]\b         # a single letter which is not a nor A 
  |              # or
  [a-zA-Z0-9]{2,} # at least two alphanumeric characters
)
[^>]*> # ... anything until the first greater-than character

【讨论】：

jsoup 对于他想要的东西来说真的很简单。