Java 使用正则表达式从HTML标记抓取文本

我试图从HTML标记中读取一些内容，但对于正则表达式，我完全是个傻瓜（我已经想到了一些模式，但似乎没有一种模式起作用）

我在看一个网页，看这行：

我需要从那里提取“demilit”，你可以看到，有3个这样做的机会

哪一个位置是提取它的最佳位置？我将如何实现

我也用它来查找名称，因为我需要提取大约60个不同的名称，它们都使用相同的格式，只是名称只能包含字母、数字和下划线

public void parse(String list) {
    try {
        URL url = new URL(list);
        BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(url.openStream()));
        String line;
        StringBuilder stringBuilder = new StringBuilder();
        while ((line = bufferedReader.readLine()) != null) {
            stringBuilder.append(line).append("\n");
        }
        System.out.println(stringBuilder.toString());
        Matcher matcher = namePattern.matcher(stringBuilder.toString());
        if (matcher.find()) {
            System.out.println("matched: " + matcher.group());
        }
    } catch (MalformedURLException e) {
        e.printStackTrace();
    } catch (IOException e) {
        e.printStackTrace();
    }
}

（\w+

将抓取

和

之间的文本并将其放入第一组；但正如其他人所说，regex可能不是这里的最佳选择

---

编辑：将第一个+更改为*因为0个字符有效。还删除了第二个？根据下面的评论。

这里有一种方法，可以获取rel='XXX'属性中的文本

String val = "<td title='Visit Page for Demilict'><a href='personal.php?name=Demilict&amp;c=s' class='idk' rel='Demilict' style='color: teal;'>Demilict</a></td>";
String newVal = val.replaceFirst("^.*rel='([a-zA-Z0-9_]+)'.*$", "$1");
System.out.println("Result: " + newVal);

String val=”“；
字符串newVal=val.replaceFirst（“^.*rel=”（[a-zA-Z0-9!]+）”.$”，“$1”）；
System.out.println（“结果：+newVal”）；

---

基本上，它只是寻找rel='XXX'，并扔掉除XXX以外的所有东西。它允许rel包含字符a-z和a-z、0-9和下划线。

如果确实要使用正则表达式提取名称，此regexp应将名称存储在组1中：

<td[^>]*?><a[^>]*?>(\\w+)</a></td>

]*？>]*？>（\\w+）

为什么不改用DOM？不要使用正则表达式解析HTML-使用解析器（请参阅：）如果没有实际的模式，我们无法真正帮助您。您能告诉我们如何创建

namePattern

？此外，考虑使用API进行HTML/XML处理（如果是XTHML，XML将这样做）。使用正则表达式进行此类提取非常容易出错。任何不可预见的情况都可能产生问题。我如何判断它是否是XTHML？我使用

namePattern

作为

私有模式namePattern=Pattern.compile（“\\？obj=（[A-Za-z0-9\]*）”）

正如旁注一样\w regex特殊字符与a-Za-z0-9_相同，非常简单，但可能更简单：您不需要第二个问号，因为左尖括号不是单词字符。非常感谢。还意识到*应该替换第一个+字符，因为0个额外字符也是有效的（尽管在这种情况下不适用）。