java - 关于使用 Regex 和 Java 解析 HTML 的问题

Question

我有一个关于使用 Java 和 Regex 查找 html 标签的问题。

我正在使用下面的代码来查找 HTML 中的所有标签，documentURL 显然是 HTML 内容。

find 方法返回 true，这意味着它可以在 HTML 中找到一些东西，但是 matches() 方法总是返回 false，对此我感到非常困惑。

我也引用了 Java 文档，但找不到我的答案。

Matcher 的正确使用方法是什么？

    Pattern keyLineContents = Pattern.compile("(<.*?>)");

    Matcher keyLineMatcher = keyLineContents.matcher(documentURL);

    boolean result = keyLineMatcher.find();

    boolean matchFound = keyLineMatcher.matches();

做这样的事情会抛出异常:

     String abc = keyLineMatcher.group(0);

谢谢。

Answer 1

循环匹配的正确方法是:

Pattern p = Pattern.compile("<.*?>");
Matcher m = p.matcher(htmlString);
while (m.find()) {
  System.out.println(m.group());
}

也就是说，正则表达式是一种极差的 HTML 解析方法。原因归结为:正则表达式可以很好地解析 regular languages。 . HTML 是 context free language .正则表达式适用于嵌套标签、在属性值中使用 > 等。

改用专用的 HTML 解析器，例如 HTML Parser .