在HTML（Java）中快速查找值的方法

使用正则表达式，获取网站HTML并查找此标记内的值（或任何属性的值）的最简单方法是什么：

[剪报]
[剪报]

取决于您需要构建的Http请求的复杂程度（身份验证等）。这是我以前见过的一种简单方法

StringBuilder html = new StringBuilder();
java.net.URL url = new URL("http://www.google.com/");
BufferedReader input = null;
try {
    input new BufferedReader(
        new InputStreamReader(url.openStream()));

    String htmlLine;
    while ((htmlLine=input.readLine())!=null) {
        html.appendLine(htmlLine);
    }
}
finally {
    input.close();
}

Pattern exp = Pattern.compile(
    "<meta name=\"generator\" value=\"([^\"]*)\" />");
Matcher matcher = exp.matcher(html.toString());
if(matcher.find())
{
    System.out.println("Generator: "+matcher.group(1));
}

StringBuilder html=new StringBuilder（）；
java.net.URL URL=新URL（“http://www.google.com/");
BufferedReader输入=null；
试一试{
输入新的BufferedReader(
新的InputStreamReader（url.openStream（））；
字符串HTMLINE；
而（（htmlLine=input.readLine（））！=null）{
appendLine（htmlLine）；
}
}
最后{
input.close（）；
}
Pattern exp=Pattern.compile(
“您可能想查看Apache的org.Apache.commons.HttpClient包和相关包的文档。从Java应用程序发送HTTP请求非常容易。浏览文档会让您走上正确的方向。
我没有尝试过这一点，但基本框架不是很简单吗

打开
java.net.HttpURLConnection
使用
getInputStream
使用Mike答案中的正则表达式解析出所需的位
严格地说，你不能确定你得到了正确的值，因为meta标记可能被注释掉，或者meta标记可能是大写的等等。这取决于你对HTML是否被认为是“好的”有多确定。
你应该使用XPath查询

只需获取
/html/head/meta[@name=generator]/@value
的值即可

好的教程：
视情况而定

如果您正在从一个或多个保证格式良好的HTML站点提取信息，并且您知道不会以某种方式混淆这些信息，那么逐行读取小节并应用正则表达式是一种很好的方法

另一方面，如果HTML可能损坏或“棘手”"然后你需要使用一个合适的HTML解析器，可能是一个像HTMLIDY这样的许可解析器。小心对从随机网站拖网而来的东西使用严格的HTML或XML解析器。你发现很多所谓的HTML实际上是格式不正确的。
令人惊讶的是，在解决将正则表达式与HTML一起使用的问题时，没有人会遇到HTML的问题ften不是格式良好，因此使许多HTML解析器完全无用

如果你正在开发分析网页的工具，而事实上这些网页不是格式良好的HTML，那么“永远不应该使用正则表达式来解析HTML”和“使用HTML解析器”这句话完全是假的。事实是，在现实世界中，人们按照自己的想法创建HTML，并不一定适合解析器

正则表达式是在文本中找到元素的一种完全有效的方法，因此在HTML中也是如此。如果有任何其他合理的方法来解决原始海报存在的问题，那么就发布它们，而不是引用“使用解析器”或“RTFM”语句。
当Html不是Xml时，您建议我们如何针对Html执行XPath？您不能保证Html可以作为Xml文档加载以进行XPath导航。现在Html DOM是一个很好的工具，但RegEx可以直接工作。问题中的示例显然是XHTML，因此是Xml，因为它具有自我完形填空功能ng标记。如果元标记被注释掉了怎么办？这仍然会读取它。是这样吗？如果元和名称之间有两个空格怎么办？或者一个标签？或者一个换行符怎么办？如果单词生成器没有被引号包围怎么办？因为这些问题和很多其他问题，我建议不要自己写这篇文章，而是找一个库来为你做格式化的HTML更应该是尝试使用适当的解析器而不是正则表达式的原因。正则表达式永远不应该用于解析HTML，句号。
StringBuilder html = new StringBuilder();
java.net.URL url = new URL("http://www.google.com/");
BufferedReader input = null;
try {
    input new BufferedReader(
        new InputStreamReader(url.openStream()));

    String htmlLine;
    while ((htmlLine=input.readLine())!=null) {
        html.appendLine(htmlLine);
    }
}
finally {
    input.close();
}

Pattern exp = Pattern.compile(
    "<meta name=\"generator\" value=\"([^\"]*)\" />");
Matcher matcher = exp.matcher(html.toString());
if(matcher.find())
{
    System.out.println("Generator: "+matcher.group(1));
}