Java正則表達式提取的標籤之間的內容

Question

輸入：

<tag>Testing different formatting options in </tag><tag class="classA classB">Text</tag><tag class="classC">Class C text</tag> 

預期輸出：

<tag>Testing different formatting options in </tag><tagA><tabB>Text</tagA></tagB><tagC>Class C text</tag> 

基本上標籤通過基於在 「類」 的屬性的標籤替換。 。即，如果屬性具有CLASSA屬性，則標籤將通過TAGA代替，如果CLASSB屬性也出現，則標籤也將包括TAGB等..

嘗試製成：

final String TAG_GROUPS = "<tag class=\"(.*)\">(.*)</tag>"; 
    Pattern pattern = Pattern.compile(TAG_GROUPS); 
    Matcher matcher = pattern.matcher(inputString); 

我收到的輸出無法找到匹配的標籤。特別是聲明

String classes = matcher.group(1); 

給出字符串classA classB">Text</tag><tag class="classC">Class C text</tag。模式匹配器無法找到匹配的標籤。我是正則表達式的初學者，我想知道問題的正確模式。任何幫助表示讚賞。

Answer 1

當您使用*時，它會嘗試吸收所有可能的字符（貪婪）。

如果您想要.*匹配較少可能的字符，您必須使用與*?的惰性匹配。

所以，你的正則表達式得到爲：

<tag class=\"(.*?)\">(.*?)</tag> 

以上，是最簡單的方式。但沒有必要的最佳方式。懶惰的比賽比貪婪更慢，如果可以的話，你必須儘量避免它。例如，如果你估計你的代碼是正確的（沒有標籤沒有標籤損壞等），最好使用否定類而不是.*?。例如，你的正則表達式可以寫爲：

<tag class="([^"]*)">([^<]*)</tag> 

女巫是正則表達式引擎更有效（但並不總是能夠轉換懶惰匹配否定類）。

當然，如果你想要解析一個完整的html或xml文檔，你必須做很多不同的修改，最好使用一個xml（html）解析器。

Answer 2

雖然您可以使用regexp來查找開始標記並解析類，但是沒有辦法生成嵌套標記作爲輸出。詳情請參閱this answer。

你可以做的是寫你自己的簡單的HTML解析器，但HTML是相當混亂的解析。或者換句話說：看看我的聲譽，然後考慮如果沒有一個很好的理由（比如有人給我五十萬美元），我不會嘗試它。

改爲使用真實的HTML解析器，如HTML Tidy。

Answer 3

你應該使用貪婪的正則表達式："<tag class=\"(.*?)\">(.*)</tag>"。否則.*匹配任何字符包括</tag>。

但通常我同意大家這不是使用正則表達式解析XML的最佳實踐。改用XML解析器。