java - 如何使用正则表达式从html文档中提取标签的内容？

Question

我有一份包含每个国家/地区数据的文档。每个表格行代表一个国家/地区:

<tr>
    <td class="td-flag"><a href="/afghanistan"><img alt="Flag of Afghanistan"  src="//flags.fmcdn.net/data/flags/mini/af.png" width="30" height="20" /></a></td>
    <td class="td-country"><a href="/afghanistan">Afghanistan</a></td>
    <td class="td-capital">Kabul</td>
    <td class="td-population">25,500,100</td>
    <td class="td-area">652,090&nbsp;km<sup>2</sup></td>
</tr>

我尝试提取:链接到国旗、国家名称、首都和人口，但首先我需要将每个表行插入 Vector分开，所以我需要提取每个 <tr>content</tr> 的内容.

问题:如何提取每个 <tr> 的内容在html文档中？我根本没有匹配项:

try {
            BufferedReader br = new BufferedReader(new FileReader("./data/countries.txt"));
            StringBuilder sb = new StringBuilder();
            String line;
            while ((line = br.readLine()) != null) {
                sb.append(line + '\n');
            }
            br.close();

            ArrayList<String> tableRows = new ArrayList<String>();
            Pattern p = Pattern.compile(" <tr>(\\w+)</tr> ", Pattern.MULTILINE);
            Matcher m = p.matcher(sb);
            while (m.find()) {
                System.out.println("match");//it never prints thus there are no matches
                tableRows.add(m.group());
            }
            System.out.println(tableRows.size());//THE SIZE is 0
            for (String tr : tableRows) {
                System.out.println(tr);
            }
        } catch (Exception e) {
            e.printStackTrace();
        }

Answer 1

有更简单的方法可以从 HTML 文件中提取数据，特别是:

• XPath
• JavaScript
• jQuery

正则表达式也可以工作，但比上述技术更容易出错。

++ 编辑++

• XPath 示例

我必须承认，XPath 对我来说很新，所以下面的代码并不是最优化的，但它会让您快速了解它是如何工作的。您可以在浏览器的控制台中练习使用 XPath。打开 HTML 页面并使用 $x(EXPRESSION); 封装表达式。

$x("//tr/td[@class='td-flag']/a/@href") 将渲染:Array [ href="/afghanistan"]

• jQuery 示例

如果您以前从未使用过 jQuery，您也可以在浏览器的控制台中使用它。它几乎是一个 JavaScript 库，其唯一目的是简化代码。

$(".td-flag a").href 将渲染 "file:///afghanistan"

我在上面的代码片段中只使用了一个 tr 元素，但显然你有更多 tr 元素，因此上面的表达式返回数组。另外，在表格元素上放置一个 ID 标签，以便轻松、安全地访问;-)