获取不同HTML标记的最佳方法

我试图从不同的博客中获取一些HTML，并注意到不同的提供者以不同的方式使用相同的标记

例如，这里有两个主要的提供者以不同的方式使用meta name generator标记：

• 博主：
  （内容优先，名字后，是的，单引号！）
• WordPress:
  （先命名，后内容）

是否有方法提取所有案例的内容值（单引号/双引号，行中的第一个/最后一个）

---

另外，尽管我使用的是Java，但如果它通常适用于正则表达式，那么答案可能会帮助更多的人。

根据XHTML标准，这些差异其实并不重要

换句话说，它们是完全相同的东西

同样，如果你用单引号替换双引号也是一样的

“规范化”xml文档的典型方法是使用一些将文档视为其信息集表示的API对其进行裁剪。DOM和SAX风格的API都是这样工作的

---

如果您想手工（或使用正则表达式）解析它们，您必须在代码中复制所有这些内容，在我看来，这是不实际的。

实际上，您可能应该使用某种HTML解析器，在那里您可以检查页面DOM中的每个节点（以及节点属性）。我已经有一段时间没有使用过这些函数了，所以我不知道它们的优缺点，但这里有一个列表，答案是：不要使用正则表达式

真的。使用SGML解析器，或者如果您碰巧知道它是有效的XML，则使用XML解析器（可能几乎永远不会是真的）。你肯定会把事情搞砸，浪费大量的时间去做正确的事情。只需使用已经可用的内容。

注意：单引号（即使没有引号，如果该值不包含空格）根据上下文是有效的。引述：

默认情况下，SGML要求使用双引号（ASCII十进制34）或单引号（ASCII十进制39）分隔所有属性值。。。在某些情况下，作者可以指定不带引号的属性值

---

另外，不要忘了属性的顺序可以颠倒，其他属性也可以出现在标记中。

好的，既然您正在寻找语言不可知论者，那么您可以尝试类似于

/

的正则表达式，并从中获取结果，解析出您正在寻找的特定值。我绝对不是正则表达式专家，所以可能有更好的方法，但在使用工具时，我匹配了您提供的两个字符串。

您可能想尝试一下Java。很容易进行实验，看看解析是否提供了您想要的内容

如果您必须使用正则表达式，这里有一个正则表达式来获取内容部分：

content\s*=\s*['"].*?['"]

返回

content = "blogger"

及

分别。我不是正则表达式专家，但当你在中给出例子时，它会得到这些

---

一旦你明白了这一点，你就可以得到引号之间的所有内容，不管你选择的是另一个正则表达式（在这一点上是不道德的）还是仅仅是在字符上循环。

如果你使用java，你可能想看一看，这是一个SAX兼容的解析器，用于“[parsing]HTML，因为它是在野外发现的”

content='Worpress.com'