使用Java正则表达式从xml中提取作者

Question

我知道正则表达式对于此任务并不理想。 但是我不能使用解析器，因为我需要保留OFFSET 。 所以我在这里有两个问题，一个是关于正则表达式，另一个是提取“作者”。 如果您推荐我使用任何解析器，请告诉我是否有一个解析器可以保留偏移量。 我有这样的XML：

<post author="lafeat" datetime="2014-04-03T04:26:00" id="p1">
For legions of young couples, there is no wedding venue more desirable than a barn in the country.
</post>

我的代码在这里：

String regex = "<post\\s*?author=\"(?!\")*\"?.*?>.*?</post>";
Pattern p = Pattern.compile(regex);
Matcher m = p.matcher(text);
while (m.find()) {
    System.out.println("start from: " + m.start());
    System.out.println("end to: " + m.end());
    System.out.println("the text is: " + text.substring(m.start(), m.end()));
}

但是我从这个正则表达式中没有得到任何回报吗？ 任何建议将非常感谢。

Answer 1

使用专用的HTML解析器比您能想到的任何正则表达式都要好。

---

要回答您的问题：

此处不需要负前瞻。 无论如何，它使用不正确：

1. 您不能对零宽度的断言应用量词，即，您不能这样做： (?!\\")* ，这是因为前面的标记（零宽度的负前瞻表达式） 不可量化。

2. 您没有遍历字符串。 由于您的正则表达式当前正在编写，因此它仅检查一个位置。 重要的是要注意环视断言是零宽度的-它与任何字符都不匹配。 因此，为了捕获从第一个双引号到下一个双引号的所有字符，您将必须实际匹配文本。 您可以为此使用一个点： (?:(?!\\").)* 。它会逐个字符地在字符串中前进，直到到达其后是双引号的位置。

这是您应该如何编写表达式的方法（ 请参见demo ）：

<post\\s*?author=\"((?:(?!\").)*).*?>

但这并不需要那么复杂。 您可以只使用否定的字符类并对其进行处理（ 请参见demo ）：

<post\\s*?author=\"([^\"]+)\".*?>

\\"([^\\"]+)\\"是一个否定的字符类，它一次或多次匹配除双引号以外的任何字符。

Answer 2

您没有得到任何回报，因为您错误地使用了负前瞻且没有捕获组。 如果要提取作者 ，请使用捕获组。

String regex = "<post\\s*author=\"([^\"]+)\"[^>]+>[^><]+</post>";

然后在此处返回匹配的组：

while (m.find()) {
    System.out.println("start from: " + m.start());
    System.out.println("end to: " + m.end());
    System.out.println("the text is: " + m.group(1));
}