Java:使用正则表达式模式无法识别HTML中的空格

代码：

---

我正在尝试用正则表达式解析HTML。程序读取html表中

td

标记的内容。表格单元格中的内容应符合

模式p

中定义的特殊模式

现在的主要问题是正则表达式模式与类似“0.1”的单元格内容不匹配。 但是如果我用模式匹配的代码中的值（“0.1”）手动定义

字符串s

此外，如果我在调试模式下复制

char[]data

的内容，并使用此复制内容定义

s

，则模式也不适合，尽管它看起来与上面手动定义的值相同

有可能找出哪些空白字符是真正被读取的吗

似乎空白并不总是空白，因此与正则表达式类[\s]不匹配。这可能吗

编辑：

谢谢你的回答。它实际上是一个空白字符（\xA0），未被\s regex类识别

对于所有投反对票（真令人沮丧）的人来说，我的问题只是误解了我的意思。也许问题真的是“我想用正则表达式解析HTML”这句话，但事实上我只是从一个带有未知空格字符的HTML表格单元格中获取内容；-）

---

我想我在使用jsoup这样的库时也遇到了同样的问题。

您的代码片段太长了，但据我所知，您只需要模式来匹配

0.0

，

10.52

等，即浮点数？使用模式

\\d+\.\\d+

\d+

表示1..n个数字

\。

表示点。正则表达式中的单点

表示“任何字符”

以下是使用示例：

static short state = 0;
static int td_number = 0;

public static void main(String[] args) {

final Pattern p = Pattern.compile("^[\\s]*?\\d+\\.\\d+[\\s]*?");
final short TD_ENTRY = 0;
final short NO_ENTRY = 1;

HTMLEditorKit.ParserCallback callback = new HTMLEditorKit.ParserCallback() {
    public void handleText(char[] data, int pos) {
    switch (state) {
    case NO_ENTRY:
        break;
    case TD_ENTRY: {
        // We are in the right table column
        // Create string from char array
        String s = new String(data);
        Matcher m = p.matcher(s);
        boolean b = m.matches();
        // Check if data information has correct format (0.0)
        if (b) {

        }
    }
        break;
    default:
        break;
    }
    state = NO_ENTRY;
    }

    public void handleStartTag(HTML.Tag tag, MutableAttributeSet set, int pos) {
    if (tag == HTML.Tag.TD) {
      //[...]
    }
    }
};

Reader reader = new StringReader(html);
try {
    new ParserDelegator().parse(reader, callback, false);
} catch (IOException e) {
}
}

---

顺便说一句，注意

匹配（）

匹配整行。如果要匹配行的一部分，请使用

find（）

。我个人总是使用

find（）

，并在需要时在正则表达式中使用开始和结束行标记

^

和

$

在Java正则表达式中，非间断空格字符（NBSP，

U+00A0

）传统上不被视为用于匹配

\s

的空格。如果这是导致问题的原因，只需将其添加到现有的空白类中：

String str = "123.456";
Pattern p = Pattern.compile("\\d+\\.\\d+");
Matcher m = p.matcher(str);
if (m.matches()) {
    // do something.
}

还有其他Unicode空白字符与

\s

不匹配，但没有一个像NBSP一样常见

---

或者，如果您正在运行Java 7+，您可以指定并继续使用

\s

，这是您的主要问题：。不要使用正则表达式，而是使用一个库，就像你正在违反编程的十条戒律之一一样。不要使用正则表达式来解析HTML。阅读以下内容：@jlordo是的，但是trim（）函数不会出于任何原因删除空格。“我正在尝试用正则表达式解析HTML。”每当你发现自己在说这些时，停止你正在做的事情，远离键盘。然后，学习如何使用XML解析器。然后--只有到那时--您才应该继续。HTML通常包含不间断的空格（代码点160），这些空格与

\s

或

String.trim（）使用的空格定义不匹配<代码>\s

仅匹配

[\t\n\x0B\f\r]

并且

修剪

仅将<0x20的代码点视为空格。

"^[\\s\\xA0]*\\d+\\.\\d+[\\s\\xA0]*$"