如何使用正则表达式解析Java中的HTML？

Question

如何使用正则表达式解析Java中的HTML？有人可以告诉我一个简单的方法在Java中使用正则表达式在html文件中找到href和src标签吗？然后，如何获取与标记关联的URL？谢谢你的任何建议。

Answer 1

使用正则表达式从HTML中提取值总是一个错误。它可能首先出现的HTML语法要复杂得多，而且即使是非常复杂的正则表达式，页面也很容易识别出来。

请改用HTML Parser。另请参阅主要Java HTML解析器的优缺点是什么？

Answer 2

其他答案都是真的。Java Regex API不是实现目标的合适工具。使用其他答案中提到的高效，安全且经过良好测试的高级工具。

如果您的问题涉及Regex API而不是现实生活中的问题（例如学习目的） - 您可以使用以下代码执行此操作：

String html = "foo <a href='link1'>bar</a> baz <a href='link2'>qux</a> foo";Pattern p = Pattern.compile("<a href='(.*?)'>");Matcher m = p.matcher(html);while(m.find()) {
   System.out.println(m.group(0));
   System.out.println(m.group(1));}

输出是：

<a href='link1'>link1<a href='link2'>link2

请注意懒惰/不情愿的资格赛*？必须使用以减少分组到单个标记。组0是整个匹配，组1是下一组匹配（下一对括号）。