我有一个文本文件,其中包含复杂程度不等的 URL。这是一个示例:
https://www.google.com/?gws_rd=ssl
http://www.cs.jhu.edu/news-events/news-articles/
maps.google.com
http://www.cnn.com/WORLD/?hpt=sitenav
http://www.cnn.com/JUSTICE/?hpt=sitenav
http://www.cs.jhu.edu/course-info/
http://e-catalog.jhu.edu/departments-program-requirements-and-courses/engineering/computer-science/
http://docs.oracle.com/javase/7/docs/api/java/util/PriorityQueue.html
http://mexico.cnn.com/?hpt=ed_Mexico
cnn.com
从这些行中,我只想得到“X.Y”部分。换句话说,从前 4 行,我想得到:
google.com
jhu.edu
google.com
cnn.com
为了做到这一点,我创建了一个正则表达式并尝试匹配它:
public static void main(String[] args) throws IOException {
BufferedReader reader = new BufferedReader(new FileReader("C:\\Users\\Me\\Desktop\\homework4file.txt"));
String line = null;
Pattern pattern = Pattern.compile("^[a-zA-Z0-9\\-\\.]+\\.(com)$");
Matcher matcher;
while((line = reader.readLine()) != null) {
matcher = pattern.matcher(line);
while(matcher.find()) {
System.out.println(matcher.group(1));
}
}
}
我的正则表达式只是为每一行返回“com”。我不明白我写的有什么问题。有人可以解释一下我的表达中的逻辑错误吗?
最佳答案
你不需要放置 anchor 。 ^
断言我们位于开始处,但 .com
之前的部分并不位于开始处。 [a-zA-Z0-9\\-\\.]+
会贪婪地匹配 .com
之前的部分,直到到达 /
。在此 http://mexico.cnn.com/?hpt=ed_Mexico
字符串中,正则表达式 [a-zA-Z0-9\\-\\.]+\\.( com)
将匹配 mexico.cnn.com
而不是 cnn.com
。也可以通过输入 com
, edu
进入由 |
分隔的非捕获组也会匹配 .edu
之前的字符串。
[^.\\n]+\\.(?:com|edu)
String input = "https://www.google.com/?gws_rd=ssl\n" +
"http://www.cs.jhu.edu/news-events/news-articles/\n" +
"maps.google.com\n" +
"http://www.cnn.com/WORLD/?hpt=sitenav\n" +
"http://www.cnn.com/JUSTICE/?hpt=sitenav\n" +
"http://www.cs.jhu.edu/course-info/\n" +
"http://e-catalog.jhu.edu/departments-program-requirements-and-courses/engineering/computer-science/\n" +
"http://docs.oracle.com/javase/7/docs/api/java/util/PriorityQueue.html\n" +
"http://mexico.cnn.com/?hpt=ed_Mexico\n" +
"cnn.com";
Pattern regex = Pattern.compile("[^.\\n]+\\.(?:com|edu)");
Matcher matcher = regex.matcher(input);
while(matcher.find()){
System.out.println(matcher.group(0));
}
输出:
google.com
jhu.edu
google.com
cnn.com
cnn.com
jhu.edu
jhu.edu
oracle.com
cnn.com
cnn.com
关于java - Java正则表达式无法正确解析URL,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/26726393/