Java正则表达式提取标签之间的文本

Question

我有一个包含一些自定义标签的文件，我想编写一个正则表达式来提取标签之间的字符串。例如，如果我的标签是：

[customtag]String I want to extract[/customtag]

我将如何编写一个正则表达式来仅提取标签之间的字符串。这段代码似乎是朝着正确方向迈出的一步：

Pattern p = Pattern.compile("[customtag](.+?)[/customtag]");
Matcher m = p.matcher("[customtag]String I want to extract[/customtag]");

不知道下一步该做什么。有任何想法吗？谢谢。

Answer 1

你在正确的轨道上。现在你只需要提取所需的组，如下：

final Pattern pattern = Pattern.compile("<tag>(.+?)</tag>", Pattern.DOTALL);
final Matcher matcher = pattern.matcher("<tag>String I want to extract</tag>");
matcher.find();
System.out.println(matcher.group(1)); // Prints String I want to extract

如果你想提取多个匹配，试试这个：

public static void main(String[] args) {
    final String str = "<tag>apple</tag><b>hello</b><tag>orange</tag><tag>pear</tag>";
    System.out.println(Arrays.toString(getTagValues(str).toArray())); // Prints [apple, orange, pear]
}

private static final Pattern TAG_REGEX = Pattern.compile("<tag>(.+?)</tag>", Pattern.DOTALL);

private static List<String> getTagValues(final String str) {
    final List<String> tagValues = new ArrayList<String>();
    final Matcher matcher = TAG_REGEX.matcher(str);
    while (matcher.find()) {
        tagValues.add(matcher.group(1));
    }
    return tagValues;
}

但是，我同意正则表达式不是这里的最佳答案。我会使用 XPath 来查找我感兴趣的元素。有关详细信息，请参阅 The Java XPath API。

Answer 2

说实话，正则表达式并不是这种解析的最佳方法。您发布的正则表达式可能适用于简单的情况，但如果事情变得更复杂，您将遇到巨大的问题（与您无法使用正则表达式可靠地解析 HTML 的原因相同）。我知道你可能不想听到这个，我知道当我问相同类型的问题时我不想听到，但是在我停止尝试对所有内容使用正则表达式后，字符串解析对我来说变得更加可靠。

jTopas 是一个很棒的分词器，可以很容易地手动编写解析器（我强烈建议使用 jtopas，而不是标准的 java 扫描器/etc.. 库）。如果您想查看 jtopas 的运行情况，here 是我使用 jTopas 编写的一些解析器来解析 this 类型的文件

如果您正在解析 XML 文件，您应该使用 xml 解析器库。除非您只是为了好玩，否则不要自己做，那里有很多经过验证的选择

Answer 3

一种查找标签、属性和值的通用、更简单且有点原始的方法

    Pattern pattern = Pattern.compile("<(\\w+)( +.+)*>((.*))</\\1>");
    System.out.println(pattern.matcher("<asd> TEST</asd>").find());
    System.out.println(pattern.matcher("<asd TEST</asd>").find());
    System.out.println(pattern.matcher("<asd attr='3'> TEST</asd>").find());
    System.out.println(pattern.matcher("<asd> <x>TEST<x>asd>").find());
    System.out.println("-------");
    Matcher matcher = pattern.matcher("<as x> TEST</as>");
    if (matcher.find()) {
        for (int i = 0; i <= matcher.groupCount(); i++) {
            System.out.println(i + ":" + matcher.group(i));
        }
    }

Answer 4

试试这个：

Pattern p = Pattern.compile(?<=\\<(any_tag)\\>)(\\s*.*\\s*)(?=\\<\\/(any_tag)\\>);
Matcher m = p.matcher(anyString);

例如：

String str = "<TR> <TD>1Q Ene</TD> <TD>3.08%</TD> </TR>";
Pattern p = Pattern.compile("(?<=\\<TD\\>)(\\s*.*\\s*)(?=\\<\\/TD\\>)");
Matcher m = p.matcher(str);
while(m.find()){
   Log.e("Regex"," Regex result: " + m.group())       
}

输出：

10 恩

3.08%

Answer 5

    String s = "<B><G>Test</G></B><C>Test1</C>";

    String pattern ="\\<(.+)\\>([^\\<\\>]+)\\<\\/\\1\\>";

       int count = 0;

        Pattern p = Pattern.compile(pattern);
        Matcher m =  p.matcher(s);
        while(m.find())
        {
            System.out.println(m.group(2));
            count++;
        }

Answer 6

    final Pattern pattern = Pattern.compile("tag\\](.+?)\\[/tag");
    final Matcher matcher = pattern.matcher("[tag]String I want to extract[/tag]");
    matcher.find();
    System.out.println(matcher.group(1));

Answer 7

我在这个回复前加上“你不应该使用正则表达式来解析 XML ——它只会导致无法正常工作的边缘情况，以及在你尝试的时候永远增加复杂性的正则表达式修复它。”

话虽如此，您需要继续匹配字符串并获取所需的组：

if (m.matches())
{
   String result = m.group(1);
   // do something with result
}