使用正则表达式Java从html源提取文本

Question

我喜欢使用正则表达式从html页面提取文本。 这是我的代码：

String regExp="<h3 class=\"field-content\"><a[^>]*>(\\w+)</a></h3>";
    Pattern regExpMatcher=Pattern.compile(regExp,Pattern.UNICODE_CHARACTER_CLASS);

    String example="<h3 class=\"field-content\"><a href=\"/humana-akcija-na-kavadarechkite-navivachi-lozari\">Проба 1</a></h3><h3 class=\"field-content\"><a href=\"/opshtina-berovo-ne-mozhe-da-sostavi-sovet-0\">Проба 2</a></h3>";
    Matcher m=regExpMatcher.matcher(example);
    while(m.find())
    {

        System.out.println(m.group(1));
    }

我喜欢获取值Проба 1和Проба 2 。 但是，我只得到第一个值Проба 1 。 我怎么了

Answer 1

使用正则表达式+ HTML是亵渎行为。 但是，如果您真的想受到诅咒，那么这里就是（您已经警告过）：

---

String regExp = "<h3 class=\"field-content\"><a[^>]*>([\\w\\s]+)</a></h3>";
                                                       ^updated part

由于Проба 1和Проба 2还包含空格，因此您需要在模式中包含\\\\s 。

Answer 2

要发现黑暗面的力量，可以尝试以下模式：

<h3 class=\"field-content\"><a[^>]*>([^<]+)</a></h3>

不要忘记之前设置UNICODE_CASE。