是否需要嵌套正则表达式？

Question

我想从看起来与此相似的HTML中提取两个数字10和11，只是它比我在此处显示的噪声更大：

<div a>
<noise=53>
<item=10>
<item=11>
</div>
<div b>
<item=20>
<noise=52>
<item=21>
</div>

我已经弄清楚如何通过使用两个正则表达式来做到这一点：第一次使用

(?s)(?<=<div a>).*?(?=</div>)

在“ div a”部分中获取内容，然后使用

(?s)(?<=<item=)[0-9]*

在结果上得到我想要的数字。 但是我无法弄清楚如何仅使用一个正则表达式。 我有一个猜测，如果只有Java让我将* s放到后面，而Java没有（我隐约地明白为什么不这样做），那我该怎么办。 是否可以仅使用一个正则表达式来执行此操作，或者我应该满足两个条件？

Answer 1

我认为您不能陷入困境。 但是请注意，最好使用XML或HTML解析器来分解HTML。 如果HTML是格式良好的XHTML，则可以使用XML解析器。 否则请查看http://java-source.net/open-source/html-parsers 。

Answer 2

我不确定您嵌套正则表达式的意思。 通常采用这种方法的方法是一次像词法分析器一样仔细地一次完成操作。 这样，您不必尝试将所有内容构建为一个模式。

除了使用Matcher.matches() ，您还可以使用Matcher.lookingat() ，该方法从当前起点开始寻找内容。 这样，您可以从同一位置测试一堆。

一种类似的策略涉及使用Matcher.find()的单参数形式，您在其中提供起始字符位置作为参数。

一个相关的功能是\\G锚，它是一个零宽度的断言，使搜索从该相同字符串的最后一个匹配项停止的地方开始。 这样可以为您节省一些簿记。

通过结合使用find(N)和lookingat()方法（加上start() ）的明智使用，也许结合\\G断言，您可以构建自己的灵活性和复杂性的处理算法，这比仅使用单个正则表达式所能实现的要复杂。

与尝试在一个庞大的正则表达式中进行所有操作相比，使用结构化逻辑和常规Java管理您的正则表达式要容易得多。 这样，开发，调试和单元测试也要容易得多。 正则表达式最适合处理字符串，而不是尝试在其中编码整个解析算法。

另外，在Java中，您还是不能真正做到这一点，因为该模式中不支持递归。 也许也一样，因为它鼓励您将控制结构放到外部语言中，因为您不能总是将所有需要的内容放到内部语言中。

Answer 3

import java.util.regex.*;

public class Test
{
  public static void main(String[] args)
  {
    String s = "<div x><item=02><noise=99><item=05></div>\n" + 
        "<div a><noise=53><item=10><item=11><noise=55><item=12></div>\n" + 
        "<item=99>\n" + 
        "<div b><item=20><noise=52><item=21></div>";
    System.out.println(s);
    System.out.println();
    Pattern p = Pattern.compile(
        "(?:<div a>|\\G)(?:[^<]++|<(?!(?:item|/?div)\\b))*+<item=(\\d+)");
    Matcher m = p.matcher(s);
    while (m.find())
    {
      System.out.println(m.group(1));
    }
  }
}

输出：

<div x><item=02><noise=99><item=05></div>
<div a><noise=53><item=10><item=11><noise=55><item=12></div>
<item=99>
<div b><item=20><noise=52><item=21></div>

10
11
12

分解，我们有：

• (?:<div a>|\\\\G) ： \\G匹配上次匹配结束的地方，如果没有先前匹配，则匹配文本的开头。 下一部分的前瞻可防止它在开始时匹配，因此第一个匹配从<div a> 。

• (?:[^<]++|<(?!(?:item|/?div)\\\\b))*+ ：这部分消耗当前匹配位置和下一个<item=N>标记之间的任何内容。 如果不是<item ， <div或</div序列的开头，它将吞噬除<和<以外的所有字符。 （后两个确保所有<item=N>匹配项都包含在同一个div元素中；此外， <div是阻止\\G在文本开头进行匹配的原因，而</div阻止div元素之间的匹配，例如在示例中为<item=99> 。）

• 最后， <item=(\\\\d+)匹配item标记并捕获您想要的编号。

Answer 4

我认为Sed实用程序比使用正则表达式编程提取文本数据更有用。 尝试在Sed中使用以下脚本（带有-n选项）。

/<div \w>/,/<\/div>/ {
    s/.*item=\([0-9]\+\).*/\1/p
}

Answer 5

如果它是真正的HTML，则可以将其转换为XML，例如通过HTMLTidy或NekoHTML，然后应在其上使用XPath表达式。

Answer 6

甚至不要尝试，您需要一个解析器，许多解析器都可用。