提取使用Java +正則表達式

Question

我想解析HTML文檔，並提取可重複一定的div塊HTML一定格。

我已經成功地提取該塊的第一次出現，但我不能弄清楚如何獲得下一個。

這是我到目前爲止的代碼：

  String inputStr = HTTPGetter.get("http://someurl"); 
     String patternStr ="<div class=\"MY-CLASS\">(.*?)</div>"; 
     // Compile and use regular expression 

     Pattern pattern = Pattern.compile(patternStr); 
     Matcher matcher = pattern.matcher(inputStr); 
     boolean matchFound = matcher.find(); 

     if (matchFound) { 
      // Get all groups for this match 
      for (int i=0; i<=matcher.groupCount(); i++) { 
       String groupStr = matcher.group(i); 
      System.out.println("Group found:\n"+groupStr); 
      } 
     } else { 
      System.out.println("Not found"); 
     } 

我解析該文件有類MY-CLASS的多於一個的div塊。我想要所有這些。

我該怎麼做？

Answer 1

在while循環只需使用find()：

while (matcher.find()) { 
    System.out.println("Group found:\n"+matcher.group(1)); 
} 

這是比賽你需要遍歷，而不是捕捉組。

Answer 2

你確定你不想使用xml parser？ Regular expressions are really not suitable for non-regular languages like xml。

Answer 3

我會強烈建議不要使用正則表達式爲所有，但最簡單的情況下，因爲HTML是不正規並且有許多優勢情況下絆倒你的表情（看到無數的答案各處）。

看看JTidy，這將解析HTML並呈現DOM接口讓您詢問。