java - 选择 anchor 标记而不是值的正则表达式

Question

我需要正则表达式来选择除其值之外的完整 anchor 标记。

我试过使用下面的正则表达式但没有成功

(<a\s\b(href|title)\b.*\">)?|(<[\/]a>) for the below use cases

1.<a href=\"http://www.ags.ny.gov/\">www.ags.ny.gov</a>

2.<a title=\"ba.com/redeem\" href=\"http://ba.com/rertem\" target=\"_blank\" rel=\"nkiops noreferrer\">ba.com/rertem</a>.

3.<a href=\"http://www.dfs.ny.gov/\">www.ags.ay.gov</a>, for free information

我希望它的输出应该只选择以 title 或 href 开头的 anchor 标记，但是它在末尾选择 anchor 标记，尽管第一个条件不满足引用链接:https://regex101.com/r/VcAS6l/1

Answer 1

我假设您确实希望在较大的文档中查找 anchor 标记，并且您希望该过程准确且相对高效。

^{匹配包含(仅)特定类型的开始 anchor 标记或结束 anchor 标记的字符串是没有用的。特别是因为在第一种情况下您没有检查它是否格式正确(请参阅关于 '=' 和 '"' 的评论)或在正则表达式中提取 anchor 的 URL。}

让我们分析你的正则表达式:

  (<a\s\b(href|title)\b.*\">)?|(<[\/]a>) 

这是一个可选的组匹配 <a ...>标记 OR 匹配 <\a> 的 非可选 组标签。它会愉快地匹配可选组的任何实例；即什么都没有。 ?可能放错地方了。

现在看这个

  <a\s\b(href|title)\b.*\">

也就是说:

1. '<'
2. 'a'
3. 一个空格符
4. 单词边界
5. 一组由 "href" 组成或 "title"
6. 单词边界
7. 零个或多个字符
8. '"'
9. '>'

一个小问题是 4. 是多余的。

一个更大的问题是你没有明确匹配 '='和 '"'应该跟在 href 或 title 属性名称之后。

最大的问题在 7 中。 '*'在 '.*'是一个贪婪量词。它会尝试匹配尽可能多的。所以实际上它会一直匹配到最后一个 '"'。和 '>'在你的文档中。这是错误的。

要解决最大的问题，您需要使用勉强 量词。匹配尽可能少的字符的一种。例如:

    .*?"

将(最初)在第一个 '"' 处停止匹配它看到的。

---

教训:

1. 使用正则表达式来解析结构化文档是个坏主意。 HTML 特别困难，因为:

   • HTML 文档的语法中有太多合法的可变性

   • 您在野外发现的许多 HTML 文档都是格式错误的。

     相反，请使用适当的解析器。例如，Jsoup 解析器是解析可能在语法上无效的 HTML 文档的不错选择。它不会立即拒绝文档，而是会尝试(在内部)更正错误。

2. 如果您要“借用”其他人的正则表达式，您将依赖于他们纠正正则表达式的能力，以及您理解他们是否正确的能力正则表达式(真的)适用于您的问题。 (他们做对了吗？他们做出的假设在您的用例中是否有效？)

3. 如果您打算尝试编写自己的正则表达式来解析复杂的文档，则需要了解 (Java) 正则表达式语言。有一些讨厌的陷阱；例如急切的量化和灾难性的回溯。

4. 如果您必须调试正则表达式，您需要像对待任何其他代码调试问题一样对待它:

   • 确保您理解(正则表达式的)语言
   • 仔细阅读您的代码(正则表达式)。
   • 向您的 Rubber Duck 解释您的代码(正则表达式) . (不是开玩笑。)
   • 等等。

如果这听起来太难了，不要使用正则表达式来解决复杂的问题。