java - 需要帮助修改正则表达式

Question

总有一天我会擅长正则表达式，但现在......

我正在解析 HTML 页面，使用以下表达式(有效)查找 MP3 文件:

"<A HREF=\"([^\"]+)\"[^>]*>([^<]+?)\\.mp3</A>"

我现在想要搜索 MP3 和 OGG 文件。似乎是一个简单的 OR 修改(.mp3 || .ogg)，但我不太确定如何将其放在那里？请参阅Trying to parse links in an HTML directory listing using Java regex了解更多信息。

Answer 1

理解模式

您有以下 Java 字符串文字:

// Java string literal
"<A HREF=\"([^\"]+)\"[^>]*>([^<]+?)\\.mp3</A>"

当处理完所有转义序列后，该字符串表示的模式是这样的:

// the regex pattern
<A HREF="([^"]+)"[^>]*>([^<]+?)\.mp3</A>

现在让我们分解这个模式:

_________       _     _        E________
<A HREF="([^"]+)"[^>]*>([^<]+?)\.mp3</A>
         \_____/       \______/
            1              2

所以这个正则表达式的部分是:

1. <A HREF="按字面意思匹配
2. ([^"]+) ，即除双引号之外的所有内容，在组 1 中捕获
3. "按字面意思加工
4. [^>]* ，即除了 > 之外的所有内容
5. >按字面意思匹配
6. ([^<]+?) ，即除了 < 之外的所有内容，尽可能少，在第 2 组中捕获
7. .mp3</A>按字面意思匹配(. 通过反斜杠转义)

所以看看这个，我们可以观察到正则表达式做出以下假设:

• href属性值与第2部分匹配；它必须用双引号括起来，并且本身不能包含任何转义的双引号。这场比赛被归入第 1 组。
• 任何剩余属性均与第 4 部分匹配。 href必须是第一个属性，否则正则表达式将不匹配。
• 第 6 部分与文件名匹配，捕获到组 2 中。
• 第 7 部分匹配扩展名以及紧随其后的结束元素。第 6 部分的不情愿可能没有必要。

使用正则表达式解析 HTML 是一件棘手的事情，但考虑到许多假设，上面的正则表达式似乎在大多数情况下都能完成这项工作。

<小时/>

修改模式

Alternation在正则表达式中是使用竖线完成的。了解其优先级以及分组的作用非常重要。

• this|that匹配这两个字符串之一:
  • "this"
  • "that"
• this|that thing匹配这两个字符串之一:
  • "this"
  • "that thing"
• (this|that) thing匹配这两个字符串之一:
  • "this thing"
  • "that thing"
• (this|that) (thing|stuff)匹配以下四个字符串之一:
  • "this thing"
  • "that thing"
  • "this stuff"
  • "that stuff"

因此，允许 mp3和ogg扩展名，我们可以修改mp3模式为(mp3|ogg) 。请注意，该组将匹配并将扩展捕获到组 3 中。

因此，最终的模式是:

<A HREF="([^"]+)"[^>]*>([^<]+)\.(mp3|ogg)</A>
         \_____/       \_____/  \_______/
          1:url      2:filename   3:ext

作为 Java 字符串文字，它是:

"<A HREF=\"([^\"]+)\"[^>]*>([^<]+)\\.(mp3|ogg)</A>"

<小时/>

附录

[…]是 character class 。类似 [aeiou]匹配任意小写元音之一。 [^…]是一个否定字符类。 [^aeiou]匹配除小写元音之外的任何内容之一。

(…)是 capturing group 。它允许稍后检索它匹配的字符串。

*和+是repetition specifiers 。默认情况下，重复是贪婪的(即尽可能多匹配)。 ?在+?使其不情愿(即尽可能少匹配)。

请注意?也可以用作optional repetition specifier在其他情况下。

.是一个元字符 matches (almost) any character 。由于我们想要一个字面句号，因此我们通过在前面加上双斜杠来转义它。

请注意，正则表达式模式默认区分大小写。在 Java 中，您可能需要使用 Pattern.CASE_INSENSITIVE 标志(可在模式中嵌入 (?i))。