java - 如何在 Java 中编写考虑到我要查找的字符串上下文的正则表达式？

Question

我想解析 HTML 代码并根据表中的文本表示创建对象。我有几列，我想在每一行上保存某些列的上下文。现在，我有了 HTML 代码，并且我知道我应该使用 Pattern 和 Matcher 来获取这些字符串，但我不知道如何编写所需的正则表达式。

这是我将解析的一行:

<tr><td><a href="delirium.htm">Delirium</a></td><td>65...</tr>

所以，我想从该字符串中提取 Deliium。我如何编写正则表达式说

获取字符串 htm"> 之间的字符串和</a></td>

？

Answer 1

这是 SO 上的一个常见问题，答案总是相同的:正则表达式对于解析 HTML 来说是一种糟糕且有限的工具，因为 HTML 不是一种常规语言。

您应该使用an HTML parser ，例如HTML Parser .

如果您好奇我所说的“常规语言”是什么意思，请查看 JMD, Markdown and a Brief Overview of Parsing and Compilers 。基本上，正则表达式是 DFA(确定性有限自动机或确定性有限状态机)。 HTML 需要 PDA(下推自动机)来解析。 PDA 是带有堆栈的 DFA。这就是它处理递归元素的方式。