Java正则表达式：计算HTML文档中的单词/短语/通配符

我的情况是，我需要在HTML文档中查找单词/短语/通配符的出现次数。我认为最好的解决方案来自正则表达式。关于如何做到这一点的任何意见或想法。如果它的正则表达式可以指导我如何开始使用Java。

我建议使用HTML解析器（例如）而不是正则表达式来完成这项工作。

Java中的Simple

Pattern pattern = Pattern.compile("myregex");

int count = 0;

// Read each line of the HTML document into the below variable

String line = ...

if(pattern.matcher(line).matches())
{
    count++;
}

---

既然你指定了正则表达式，我假设你只是在寻找关键词。如果您不想像dogbane建议的那样使用jsoup，您可以始终使用

，这是一个如何计算正则表达式匹配数的示例。该示例仅统计输入字符串中“foo”的出现次数

Pattern p = Pattern.compile("foo");
Matcher matcher = p.matcher("foo bar foo baz foo qux foo");
int count = 0;
while (matcher.find()) {
    count++;
}
System.out.println("Count: " + count); // count == 4

---

如果命令行单行程序运行良好，为什么还要编写无数行程序

% perl -nle 'while (/pat/g) { $count++ } END { print $count }' input files go here

您可以使用许多其他现有的工具，甚至是古老的

awk

，实现同样的功能。既然工作已经完成了，为什么还要使用汇编语言呢？看起来像NIH综合症一样危险

也许你还有其他要求，我已经理解了。上一次，一位高级Java人员问我一个问题，他问我如何判断输入文件中哪些行上有制表符。他本来打算为此编写一个Java程序（BOGGLE！），但在最后一刻，他认为可能有更好的方法

---

有。

Regex不是解析（x）HTML的最佳工具？我不认为他真的需要正常意义上的解析，我认为他只是想计算出现的次数。因此，将HTML视为字符串就可以了，正则表达式也可以很好地工作。在他需要的东西上，我可能是错的。Java不是最好的工具。@tchrist我需要在不同的平台（包括solaris）上解析该文档，因为Java是独立于平台的，所以我没有其他工具choicee@tchrist-但是我们所有的代码已经用Java写了5年多了，我现在不能用其他语言重写所有的东西。这是我们项目中正在实施的一小部分。我们确实使用perl，但不是为了这个application@Haakon-我给出的代码不准确。它是伪代码，因此询问者可以从中受益并编写其逻辑，而不是被欺骗：）

匹配

是错误的函数；它在Java中无法正常工作。你需要

find

@tchirst-这肯定不是“错”。它确实相配。但“查找”也可以在一行上计算多个事件。“在这里，as match每行只给你一个匹配项”。@haakon-嗯，我想这会管用的。但是因为我正在考虑HTML文档，所以我会在这样做之前去掉HTML标记。还在测试一些东西吗？Jsoup平台无关？@sharma是的，它只是一个jar文件。