java - URL anchor 文本正则表达式提取器

Question

所以我试图找出一个对我来说根本不起作用的正则表达式。我从来不擅长写它们，希望有人能解释我在这里做错了什么。我正在尝试使用 Java 从 HREF 中提取 anchor 文本。我已经下载了我想要从罚款中获取文本的页面，但由于某种原因，它不会删除我需要的内容。在每个页面上，类别和标题都不会改变 - 事实上，我只想要具有特定类别和标题的页面。

s = <span class="alwaysTheSameClass"><a title="alwaysTheSameTitle" href="differentEveryTime">TextImTryingToPull</span><br>
s = s.replace(,""<span class=\"alwaysTheSameClass\"><a title=\"alwaysTheSameTitle\" href=\".*\">"")

每次我这样做时，它都会打印出来。我做了一个 s.contains 但结果是错误的。正如我所说，我对正则表达式很讨厌 - 我认为这个可能足够简单易用，但显然我错了。我的问题出在哪里？

谢谢大家!

Answer 1

有几个问题，首先您缺少关闭 anchor 标记 </a>在你的例子中。在你的正则表达式中，你需要转义任何 /字符，使它们看起来像 \/ 。您的string.replace语句看起来缺少搜索内容部分 see java manual

描述

此正则表达式将查找标题属性为 alwaysTheSameTitle 的所有 anchor 标记。 。该表达式确实要求属性值用单引号或双引号引起来。一旦找到，表达式将捕获 href 属性值以及打开和关闭 anchor 文本之间的字符串。该表达式将允许 href 和 title 属性以任意顺序出现在 anchor 标记中。

<a\b(?=\s)(?=[^>]*\s\btitle=(["'])alwaysTheSameTitle\1)(?=[^>]*\s\bhref=(["'])((?:(?!\2)|.)*)\2)[^>]*>(.*?)<\/a>

组

组 0 将拥有从开始标记到结束标记的整个 anchor 标记

1. 将具有单引号或双引号类型，这用于 \1验证 title 周围有正确的结束字符属性值
2. 将具有单引号或双引号类型，这用于 \2验证 href 周围有正确的结束字符属性值
3. 将具有 href 属性值字符串，不包括引号
4. 将字符串包裹在 anchor 标记内

匹配示例

给定输入文本<span class="alwaysTheSameClass"><a title="alwaysTheSameTitle" href="differentEveryTime">TextImTryingToPull</a></span><br>

比赛

[0] => <a title="alwaysTheSameTitle" href="differentEveryTime">TextImTryingToPull</a>
[1] => "
[2] => "
[3] => differentEveryTime
[4] => TextImTryingToPull

免责声明

内部文本确实应该使用 html 解析引擎来提取，这将避免正则表达式解析 HTML 文本失败的有问题的边缘情况。但是，如果您可以控制 HTML 和/或您愿意接受由晦涩、罕见或非法 html 组成的罕见边缘情况的风险，其中该表达式无法按预期工作，那么正则表达式可能适合您