java正则匹配html

原创

mob64ca12e2442a 2023-12-18 10:35:46 ©著作权

©著作权归作者所有：来自51CTO博客作者mob64ca12e2442a的原创作品，请联系作者获取转载授权，否则将追究法律责任

Java正则匹配HTML

在处理HTML文本时，有时候需要对其中的内容进行匹配、提取等操作。而正则表达式是一种强大的工具，可以帮助我们实现这样的需求。在Java中，我们可以使用正则表达式对HTML进行匹配。

HTML的结构

HTML文档由标签(tag)组成，每个标签都有起始标签和结束标签。标签可以嵌套，形成一个树状的结构。例如，下面是一个简单的HTML文档：

<html>
  <head>
    <title>Example</title>
  </head>
  <body>
    Hello, World!
    <p>This is an example.</p>
  </body>
</html>

在这个例子中，<html>是根标签，它包含了<head>和<body>标签。<head>标签包含了<title>标签，<body>标签包含了``和<p>标签。

使用Java正则表达式匹配HTML

Java中的java.util.regex包提供了正则表达式的支持。我们可以使用该包中的Pattern和Matcher类来实现对HTML的匹配。

首先，我们需要定义一个正则表达式，用于匹配HTML标签。一个简单的匹配HTML标签的正则表达式可以是<[^>]+>。

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class HtmlRegexExample {
    public static void main(String[] args) {
        String html = "<html>\n" +
                      "  <head>\n" +
                      "    <title>Example</title>\n" +
                      "  </head>\n" +
                      "  <body>\n" +
                      "    <h1>Hello, World!\n" +
                      "    <p>This is an example.</p>\n" +
                      "  </body>\n" +
                      "</html>";

        Pattern pattern = Pattern.compile("<[^>]+>");
        Matcher matcher = pattern.matcher(html);

        while (matcher.find()) {
            String tag = matcher.group();
            System.out.println(tag);
        }
    }
}

运行上面的代码，输出结果为：

<html>
<head>
<title>
</title>
</head>
<body>


<p>
</p>
</body>
</html>

代码中，我们使用Pattern.compile方法将正则表达式编译为一个Pattern对象。然后，使用pattern.matcher方法创建一个Matcher对象，用于匹配HTML文本。最后，使用matcher.find方法进行匹配，使用matcher.group方法获取匹配到的标签。

除了匹配HTML标签，我们还可以使用正则表达式提取HTML标签中的属性值。例如，提取<a>标签中的href属性值：

Pattern pattern = Pattern.compile("<a\\s+[^>]*href=\"([^\"]+)\"[^>]*>");
Matcher matcher = pattern.matcher(html);

while (matcher.find()) {
    String href = matcher.group(1);
    System.out.println(href);
}

运行上面的代码，输出结果为：

代码中，我们定义了一个新的正则表达式<a\\s+[^>]*href=\"([^\"]+)\"[^>]*>，用于匹配<a>标签中的href属性值。使用matcher.group(1)获取匹配到的属性值。