[英]Matching repeating HTML pattern using Java regex
可能有人早些時候問過這個問題,但是我找不到解決方案,所以發布此問題。
我需要解析以下HTML字符串以找到每個項目的ID,時間和主題:
<div class="list" id="1">
<div class="time">12:01 PM</div>
<div class="subject">[This is dummy Subject1] This is some dummy strings after subject</div>
<div/>
<div class="list" id="2">
<div class="time">12:01 PM</div>
<div class="subject">[This is dummy Subject2] This is some dummy strings after subject</div>
<div/>
<div class="list" id="3">
<div class="time">12:01 PM</div>
<div class="subject">[This is dummy Subject3] This is some dummy strings after subject</div>
<div/>
輸出需要像: id|time|subject
。
看到一個演示https://regex101.com/r/fN1fZ0/1
var re = /.*?id="(.*?)".*?time">(.*?)<\/.*?subject">\[(.*?)\].*?|.*$/gs;
var subst = '$1|$2|$3\n';
var result = str.replace(re, subst);
您的主題指定“使用正則表達式”,但這可能是一種非常糟糕的方法。 即使您有工作要做,它也可能最終變得非常脆弱-意味着對輸入的看似微不足道(從HTML的角度來看完全合法)更改將導致您的代碼失敗。 處理XML(以及HTML)的所有語法復雜性可能是一場噩夢。 例如,屬性值可以用單引號或雙引號引起來。 字符實體(如“”)可以出現在屬性值或元素文本中;元素文本可以以CDATA形式出現;等等。
一種更可靠的方法是使用javax.xml包中提供的XML解析解決方案之一。 您有幾種選擇,其中任何一種都可以用作可靠解決問題的基礎。
一種簡單的方法是使用org.w3c.dom.Document
和javax.xml.xpath.XpathExpression
的組合。 使用前者,您的XML會被解析,並且最終將其完整內容包含在Document
類型的可導航對象中。 您可以直接導航到要查找的數據,但也可以使用XPathExpression
進行搜索。
如果您的輸入文檔可能非常大,則此方法可能不切實際。 在這種情況下,您可能需要查看提供流式XML解析器的org.xml.sax
包。 您將無法在其中使用XPath,但是您必須編寫的處理程序對於您的問題應該很容易。
這是使用Document
/ XPathExpression
方法的代碼。 如果您保存HTML代碼段(在某些地方用不正確的"<div/>"
替換為"</div>"
並包裝在"<html><body>...</body></html>"
)在Test.class文件旁邊的名為“ foo.html”的文件中,您應該能夠成功運行它。
package test;
import org.w3c.dom.Document;
import org.w3c.dom.Element;
import org.w3c.dom.NodeList;
import org.xml.sax.SAXException;
import java.io.IOException;
import java.io.InputStream;
import javax.xml.parsers.DocumentBuilderFactory;
import javax.xml.parsers.ParserConfigurationException;
import javax.xml.xpath.XPathConstants;
import javax.xml.xpath.XPathExpression;
import javax.xml.xpath.XPathExpressionException;
import javax.xml.xpath.XPathFactory;
public class Test {
public static void main(String[] argv) throws XPathExpressionException, SAXException, IOException, ParserConfigurationException {
XPathFactory fac = XPathFactory.newInstance();
XPathExpression idDivExpr = fac.newXPath().compile("//div[@class='list']");
XPathExpression timeExpr = fac.newXPath().compile("div[@class='time']");
XPathExpression subjExpr = fac.newXPath().compile("div[@class='subject']");
InputStream in = Test.class.getResourceAsStream("foo.html");
Document doc = DocumentBuilderFactory.newInstance().newDocumentBuilder().parse(in);
NodeList nl = (NodeList) idDivExpr.evaluate(doc, XPathConstants.NODESET);
for (int i = 0; i < nl.getLength(); i++) {
Element elt = (Element) nl.item(i);
System.out.printf("%s|%s|%s\n",
elt.getAttribute("id"),
timeExpr.evaluate(elt),
subjExpr.evaluate(elt));
}
}
}
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.