什么是正确使用反向引用和捕获组的 Java 正则表达式

Question

我想从消息中剥离 SOAP 信封以获取正文中的 XML。

我尝试了以下方法；

String strippedOfEnvelopedHeader = msg.replaceAll("(?s)(?i)<(.*):Envelope.*<\1:Body>", "");

我认为这会从像这样的消息中剔除 SOAP 信封，特别是标头；

<soapenv:Envelope xmlns:soapenv='http://schemas.xmlsoap.org/soap/envelope/'>
<env:Header xmlns:env='http://schemas.xmlsoap.org/soap/envelope/' xmlns:xsi='http://www.w3.org/2001/XMLSchema-instance'/>
<soapenv:Body>
<myXML> stuff is here</myXML>
</soapenv:Body>
</soapenv:Envelope>

这应该导致;

<myXML> stuff is here</myXML>
</soapenv:Body>
</soapenv:Envelope>

但是，组反向引用似乎不起作用。

如果我同时替换捕获组和反向引用，则替换工作正常；

String strippedOfEnvelopeHeader = msg.replaceAll("(?i)(?s)<soapenv:Envelope.*<soapenv:Body>", "");

我想我可以猜到问题所在，捕获组贪婪并抓取了整个消息，因此匹配失败。

但解决方案却躲开了我。

有什么想法吗？

Answer 1

试试这个：

String strippedOfEnvelopedHeader = msg.replaceAll("(?s)<(\\w+):Envelope[^<>]*>.*?<\\1:Body>", "");

关键点：

1. 正如其他人已经指出的那样，Java 字符串中的反斜杠需要转义。因此，在将正则表达式格式化为 Java 字符串时，正则表达式中的每个反斜杠都会变成双反斜杠。
2. 你是using the dot inappropriately。您不能将 任何字符 作为 XML 命名空间。 XML 标记内不能有任何字符。通过使用（否定的）字符类使您的正则表达式更加具体，您将轻松避免.* 吃得过多的问题。我在我的正则表达式中留下了一个.*?，因为我不知道你将使用这个正则表达式的所有其他文本的结构。但是，如果它总是有一个 <env:Header> 元素，那么您应该将我的正则表达式中的 .*? 替换为 \s*<env:Header[^<>]*>\s* 或任何足够具体的内容，以避免失控匹配，同时仍然匹配您想要的所有内容。

如果你也想删除结束标签，试试这个：

String strippedOfEnvelopedHeader = msg.replaceAll("(?s)<(\\w+):Envelope[^<>]*>.*?<\\1:Body>\\s*(.*?)\\s*</\\1:Body>\\s*</\\1:Envelope>", "$2");

在这个正则表达式中，第二个.*? 是合适的，如果你想删除标签，不管标签里面有什么。

Answer 2

作为一个方面，你为什么不尝试摆脱整个soap消息包装器？

String strippedOfEnveloped = msg.replace( "^ (?six) < (.*):Envelope .* <\\1:Body> (.*) </\\1:Body> .* $", "\\2" );

Answer 3

尝试 2 个反斜杠

"(?si)<(.*):Envelope.*<\\1:Body>"

您需要 2，因为 \1 本身已经是 Java 的特殊转义序列。因此，在输入正则表达式引擎之前，它将被解码为字符 U+0001。您需要通过添加一个反斜杠来保护它。

（然后是通常的“不要使用正则表达式解析 XML”警告..​​.）