如何使用正则表达式在Java中解析HTML？
有人能告诉我一种在html文件中使用Java正则表达式查找href和src标记的简单方法吗？如何使用正则表达式在Java中解析HTML？,java,regex,Java,Regex,有人能告诉我一种在html文件中使用Java正则表达式查找href和src标记的简单方法吗？ 然后，如何获取与标记关联的URL 谢谢你的建议。使用正则表达式从HTML中提取值总是一个错误。HTML语法可能比它第一次出现时复杂得多，而且页面很容易捕捉到一个非常复杂的正则表达式 改用一个字母。另请参见我搜索了正则表达式库（和） 我发现最好的是 ((?<html>(href|src)\s*=\s*")|(?<css>url\())(?<url>.*?)(?(html
然后，如何获取与标记关联的URL
谢谢你的建议。使用正则表达式从HTML中提取值总是一个错误。HTML语法可能比它第一次出现时复杂得多，而且页面很容易捕捉到一个非常复杂的正则表达式
改用一个字母。另请参见我搜索了正则表达式库（和） 我发现最好的是
((?<html>(href|src)\s*=\s*")|(?<css>url\())(?<url>.*?)(?(html)"|\))
（（？（href | src）\s*=\s*”）（？url\（））（？*？（（html）；\）
如果您想进行html解析，Dave和我建议您使用以下代码解析锚定标记的字符串数据并打印它们的href 因为您只使用锚定标记，所以只使用正则表达式应该是可以的，但是如果您想做更多的事情，可以使用解析器。这是最好的
File parserLibraryFile = new File("lib/MozillaHtmlParser/native/bin/MozillaParser" + EnviromentController.getSharedLibraryExtension());
String parserLibrary = parserLibraryFile.getAbsolutePath();
// mozilla.dist.bin directory :
final File mozillaDistBinDirectory = new File("lib/MozillaHtmlParser/mozilla.dist.bin."+ EnviromentController.getOperatingSystemName());
MozillaParser.init(parserLibrary,mozillaDistBinDirectory.getAbsolutePath());
MozillaParser parser = new MozillaParser();
Document domDocument = parser.parse(data);
NodeList list = domDocument.getElementsByTagName("a");
for (int i = 0; i < list.getLength(); i++) {
Node n = list.item(i);
NamedNodeMap m = n.getAttributes();
if (m != null) {
Node attrNode = m.getNamedItem("href");
if (attrNode != null)
System.out.println(attrNode.getNodeValue());
File parserLibraryFile=新文件（“lib/MozillaHtmlParser/native/bin/MozillaParser”+EnvironmentController.getSharedLibraryExtension（））；
字符串parserLibrary=parserLibraryFile.getAbsolutePath（）；
//mozilla.dist.bin目录：
最终文件mozillaDistBinDirectory=新文件（“lib/MozillaHtmlParser/mozilla.dist.bin.+EnvironmentController.getOperatingSystemName（））；
init（parserLibrary，mozillaDistBinDirectory.getAbsolutePath（））；
MozillaParser=新的MozillaParser（）；
Document domDocument=parser.parse（数据）；
NodeList list=domDocument.getElementsByTagName（“a”）；
对于（int i=0；iString html = "foo <a href='link1'>bar</a> baz <a href='link2'>qux</a> foo";
Pattern p = Pattern.compile("<a href='(.*?)'>");
Matcher m = p.matcher(html);
while(m.find()) {
System.out.println(m.group(0));
System.out.println(m.group(1));
}
String html=“foo baz foo”；
Pattern p=Pattern.compile（“”）；
Matcher m=p.Matcher（html）；
while（m.find（））{
系统输出println（m.group（0））；
系统输出println（m.group（1））；
}
<a href='link1'>
link1
<a href='link2'>
link2
链接1
链接2
请注意，必须使用惰性/不情愿限定符*？才能将分组减少到单个标记。组0是整个匹配项，组1是下一个组匹配项（下一对括号）.正则表达式只能解析正则语言，这就是为什么它们被称为正则表达式。HTML不是正则语言，因此它不能被正则表达式解析 另一方面，HTML解析器可以解析HTML，这就是为什么它们被称为HTML解析器
您应该使用您最喜欢的HTML解析器。与流行的观点相反，正则表达式是从非结构化文本（即HTML）中提取数据的有用工具 如果您正在进行复杂的HTML数据提取（例如，查找页面中的所有段落），那么HTML解析可能是一种可行的方法。但是，如果您只需要从HREF获取一些URL，那么正则表达式可以很好地工作，并且很难将其破坏 试着这样做：
/<a[^>]+href=["']?([^'"> ]+)["']?[^>]*>/i
/]+href=[“”]？（[^'>]+）[“”]？[^>]*>/i