java - 优化匹配两个html标签的正则表达式

Question

((<(\\s*?)(object|OBJECT|EMBED|embed))+(.*?)+((object|OBJECT|EMBED|embed)(\\s*?)>))

我需要从本地存储在磁盘上的一些 html 文件中获取对象和嵌入标签。我想出了上面的正则表达式来匹配java中的标签 使用 matcher.group(1);获取整个标签及其内容

有人可以改进这个吗？您觉得有什么地方是我应该立即改变的吗？

顺便说一句，它确实有效，只是想要一个输入来看看它是否可以更好，因为我自己对正则表达式相当陌生。

Answer 1

是的，这是改进:

1. 下载一个完整的 Java HTML 解析器，例如 Jsoup并将其放入类路径中。

2. 现在您可以选择全部 <object>和<embed>要素如下:

   Document document = Jsoup.parse(new File("/path/to/file.html"), "UTF-8");
   Elements elements = document.select("object,embed");
   for (Element element : elements) {
       System.out.println(element.outerHtml());
   }
   

另请参阅:

• Regular Expressions - Now you have two problems
• Parsing HTML - The Cthulhu way
• Pros and cons of HTML parsers in Java