java - 正则表达式:匹配多行输入的模式

Question

我正在寻找正则表达式模式来验证我的 HTML 输入具有正确的结构并(可能在第二步中)从中提取一些信息。

输入文本示例:

<title>Example Title</title><br />
<link>Download:</link> <a href="URL">hier</a> | hoster1 <br />
<link>Download:</link> <a href="URL">hier</a> | hoster2 <br />
<link>Download:</link> <a href="URL">hier</a> | hoster3

标题、主机和 URL 当然可以更改并且很有趣，所以我的尝试是这样的:

<title>([^<]+?)</title><br />\s<link>Download:</link> <a href="([^"]+?)">hier</a> \| ([^<]+?)<br />\s

这些组可能看起来有点傻，但我也尝试过(.*？)，即使使用惰性模式，他也只会匹配整行。

1. 现在，第二部分(< link > 部分)将匹配，但不会与 < title > 部分组合。我猜我的空白字符 (\s) 与新行不匹配？如何仅检查换行符？

2. 可用链接的数量是动态的，所以我不知道有多少个标签。如何使用模式的后半部分作为可重复模式？我想做这样的事情(这显然行不通):

   [ <link>Download:</link> <a href="([^"]+?)">hier</a> \| ([^<]+?)<br />\s ]*

这一切都是通过 MULTILINE 选项集完成的(尽管我不太确定我想做的事情是否需要它)。

我已经尝试了一些不同的事情几天了，但没有取得任何进展，我真的很感激一些指向正确方向的指示，谢谢。

Answer 1

使用适当的 HTML 解析器，例如 jsoup对于此类任务；正则表达式适用于非常简单的情况，但很快就会变得难以使用。 HTML 解析器的实现会更快、更容易、更正确，尤其是当您开始进行更高级的测试时。