Java Regex 从 HTML anchor (<a>...</a>) 标签获取文本

Question

我正在尝试获取某个标签内的文本。所以如果我有:

<a href="http://something.com">Found<a/>

我希望能够检索 Found文本。

我正在尝试使用正则表达式来做到这一点。如果 <a href="http://something.com> 我能做到保持不变，但事实并非如此。

到目前为止我有这个:

Pattern titleFinder = Pattern.compile( ".*[a-zA-Z0-9 ]* ([a-zA-Z0-9 ]*)</a>.*" );

我认为最后两部分 - ([a-zA-Z0-9 ]*)</a>.* - 没问题，但我不知道第一部分该做什么。

Answer 1

正如他们所说，不要使用正则表达式来解析 HTML。不过，如果您意识到这些缺点，您可能会侥幸逃脱。尝试

Pattern titleFinder = Pattern.compile("<a[^>]*>(.*?)</a>", Pattern.DOTALL | Pattern.CASE_INSENSITIVE);
Matcher regexMatcher = titleFinder.matcher(subjectString);
while (regexMatcher.find()) {
    // matched text: regexMatcher.group(1)
} 

将遍历字符串中的所有匹配项。

它不会处理嵌套 <a>标记并忽略标记内的所有属性。