Java 如何匹配 html 文本

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

已注册用户请登录

这是一个创建于 1497 天前的主题，其中的信息可能已经有所发展或是发生改变。

<div class="col-12 col-md-6 col-xl-4 provider hide"> 
          	<a rel="nofollow" href="/company/zade-servers/?go=true&amp;hidden=true" class="dont-style-link"> Don't visit this </a> 
         </div> 
         <div class="col-12 col-md-6 col-xl-4 provider" data-filter="zadeservers"> 
          	<a href="/company/zade-servers/" class="dont-style-link"> </a> 
         </div> 
         <div class="col-12 col-md-6 col-xl-4 provider hide"> 
          	<a rel="nofollow" href="/company/zappie-host-llc/?go=true&amp;hidden=true" class="dont-style-link"> Don't visit this </a> 
         </div> 
         <div class="col-12 col-md-6 col-xl-4 provider" data-filter="zappiehostllc"> 
          	<a href="/company/zappie-host-llc/" class="dont-style-link">  </a> 
         </div> 
         <div class="col-12 col-md-6 col-xl-4 provider hide"> 
          	<a rel="nofollow" href="/company/zare/?go=true&amp;hidden=true" class="dont-style-link"> Don't visit this </a> 
         </div> 
         <div class="col-12 col-md-6 col-xl-4 provider" data-filter="zare"> 
          	<a href="/company/zare/" class="dont-style-link">  </a> 
         </div> 
         
         更多省略了 ...  ...

java 如何匹配其中的 /company/zade-servers/ /company/zappie-host-llc/ /company/zare/ 字符串,然后把他们装进 list<string></string>

我写的规则："^<a href="\/company\/.*\/$"

结果：无法匹配出内容，希望懂正则的 v 友帮忙看看

18 条回复 • 2020-03-13 14:37:53 +08:00

mgcnrx11

2020-03-12 21:43:52 +08:00 via iPhone

jsoup 解析后读出

wujieyuan

2020-03-12 21:48:44 +08:00

<a href=\"(.*?)\" class

EminemW

2020-03-12 21:49:05 +08:00

jsoup

goyiyi

2020-03-12 21:58:11 +08:00

@mgcnrx11
@EminemW jsoup 的 Document 好像只能拿到节点多个 Element，还是需要去匹配拿 href 里的内容，主要是拿超链接节点的时候，还存在干扰项，我不知道该怎么排除它：<a rel="nofollow noopener" href="/company/zade-servers/?go=true&hidden=true" class="dont-style-link"> Don't visit this </a>

heyjei

2020-03-12 22:06:32 +08:00

^ 表示前面没有字符，，你的 html 中空格也是字符啊

HuHui

2020-03-12 22:10:27 +08:00 via Android

好好看看文档

goyiyi

2020-03-12 22:41:35 +08:00

@HuHui 话题终结者，你为什么要回复我的帖子，哈哈

guolaopi

2020-03-12 22:45:57 +08:00

明显 a 后面有 rel 你没匹配啊。。。

goyiyi

2020-03-12 22:48:04 +08:00

@guolaopi 那个是干扰项，不要的

guolaopi

2020-03-12 23:34:26 +08:00

@goyiyi
这么说吧，你写这个是匹配 a 空格 href 这样的字符串，但是你给的例子里都是 a 空格 rel=xxx 空格 href
所以根本匹配不到啊。。。

aguesuka

2020-03-13 00:14:45 +08:00 via Android

html 本质是 xml，用 xpath 语法比较好吧

T0DD

2020-03-13 00:39:15 +08:00

String reg = "a href=\"/company/.+?/";
Pattern p = Pattern.compile(reg);
Matcher m = p.matcher(a); // a is your original string.
List<String> resultList = new LinkedList<>();
while (m.find()) {
String str = m.group();
str = "<string>" + str.replace("a href=\"", "") + "</string>";
resultList.add(str);
}

output:
[<string>/company/zade-servers/</string>,
<string>/company/zappie-host-llc/</string>,
<string>/company/zare/</string>]

@goyiyi 匹配多个的话，不能用贪婪模式

T0DD

2020-03-13 00:44:19 +08:00

@goyiyi 另外，我自己测试过对于较长的 html 字符串（>2000 ），用 regex 做多匹配性能比较差，差不多一次计算要 20 ～ 25ms
可以尝试用 String.indexOf & String.subString 配合，写一个固定场景下的 extractStrings()，能有 20 倍左右的性能提升。