用於捕獲嵌套表的 Java 正則表達式模式

Question

我有一個 html 頁面，我需要解析其中包含許多嵌套表。

<table>   <table>   <table > Status </table>  </table>  </table>
<table>   <table>   </table>  </table>

我正在嘗試創建一個 Java 正則表達式模式來僅匹配文本

 <table> Status </table>

我也嘗試過像 Jsoup 這樣的 html 解析器，但找不到一種干凈的方法來解析它。 我一直在思考這個問題，但無法干凈地提取這段文字。 感謝在這方面使用 Java regex Pattern/jsoup 的任何幫助。

Answer 1

<table\s*>\s*(([^<]|<[^t]|<t[^a]|<ta[^b]|<tab[^l]|<tabl[^e])*?)\s*</table\s*>

您可以獲取第一個捕獲的組（正則表達式上(和)之間匹配的內容）以獲取<table>和</table>之間的內容（在您的第一個示例Status 中）。

解釋 ：

我們搜索以 開頭的字符串：

<table\s*>\s* (\s* is for any number of blank spaces)

包含除序列<table任何內容：

([^<]|<[^t]|<t[^a]|<ta[^b]|<tab[^l]|<tabl[^e])*

並完成：

\s*</table\s*> (\s* is for any number of blank spaces)

我們搜索了序列之間的最小可能的匹配<table>和</table>以不匹配后的第一個東西</table>用? *之后。

Answer 2

這是一個有效的正則表達式：

.*(\s*<table\s*>\s*)+(<table\s*>.*</table\s*>)(\s*</table\s*>\s*)+

帶有文本的內表位於第二個匹配組中。

作為小提琴： http : //fiddle.re/w73vc6

這當然只有在嵌套如您所指示的情況下才有效，即外部表格內沒有其他內容，並且表格內沒有更多包含您需要的文本的表格。