Android 正则表达式编码答案

【问题标题】：Android regex encodingAndroid 正则表达式编码
【发布时间】：2011-10-28 16:01:26
【问题描述】：

我正在使用 HttpClient 下载网站的源代码，然后我想使用正则表达式提取一些数据。不幸的是，该网站以 iso-8859-1 编码，这似乎引起了问题。这是下载网站的示例代码：

HttpGet query = new HttpGet(url);
HttpResponse queryResponse = httpClient.execute(query);
String queryText = EntityUtils.toString(queryResponse.getEntity()).replaceAll("\r", " ").replaceAll("\n", " ");

然后是表达式：

Pattern patter = Pattern.compile("<p class=\"qt\">(.*?)</p>");
Matcher matcher = pattern.matcher(queryText);
while (matcher.find()) // do something

问题在于，当有特殊的 iso-8859-1 字符时，它会丢失一些事件。 (.*?) 似乎与他们不匹配。这个问题的原因是什么？我该如何解决？

【问题讨论】：

整个“我想使用正则表达式”是第一个错误；你会考虑只使用jsoup 或tagsoup 之类的东西吗？否则this could be you.

标签： android regex httpclient iso-8859-1

【解决方案1】：

您确定这与“特殊 iso-8859-1 字符”而不是换行符有关吗？ . 默认不匹配行终止符。您也可以使用DOTALL 标志来启用行终止符的匹配。例如：

Pattern patter = Pattern.compile("<p class=\"qt\">(.*?)</p>", Pattern.DOTALL);

【讨论】：

换行符 \n 和 \r 被删除，如您在第一个代码 sn-p 中所见。令人惊讶的是，您提到的标志导致正则表达式匹配那些特殊字符，因此它解决了问题。谢谢！
我实际上并没有注意到前一行中的replaceAll，但是除了\n 和'\r' 之外还有其他行终止符（例如：\v 和\f）。我经常遇到 . 与我想要的所有内容不匹配的错误，而且每次都是因为缺少 DOTALL。