Java Regex从HTML锚（…）标签获取文本

Question

我正在尝试在特定标签内获取文本。所以，如果我有：

<a href="http://something.com">Found<a/>

我希望能够检索Found文本。

我正在尝试使用正则表达式。如果<a href="http://something.com>保持不变，我可以做到，但事实并非如此。

到目前为止，我有这个：

Pattern titleFinder = Pattern.compile( ".*[a-zA-Z0-9 ]* ([a-zA-Z0-9 ]*)</a>.*" );

我认为最后两个部分-可以([a-zA-Z0-9 ]*)</a>.*-但我不知道第一部分要做什么。

Answer 1

正如他们所说的，不要使用正则表达式来解析HTML。如果您知道这些缺点，则可以摆脱它。尝试

Pattern titleFinder = Pattern.compile("<a[^>]*>(.*?)</a>", Pattern.DOTALL | Pattern.CASE_INSENSITIVE);
Matcher regexMatcher = titleFinder.matcher(subjectString);
while (regexMatcher.find()) {
    // matched text: regexMatcher.group(1)
}

将遍历字符串中的所有匹配项。

它不会处理嵌套<a>标签，并且会忽略标签内的所有属性。