val*_*lll 2 html java regex tags
我想使用Regex从html文件中提取一些文本.我正在学习正则表达式,但我仍然无法理解它.我有一个代码,提取所有包含在下面的文本<body>,</body>这里是:
public class Harn2 {
public static void main(String[] args) throws IOException{
String toMatch=readFile();
//Pattern pattern=Pattern.compile(".*?<body.*?>(.*?)</body>.*?"); this one works fine
Pattern pattern=Pattern.compile(".*?<table class=\"claroTable\".*?>(.*?)</table>.*?"); //I want this one to work
Matcher matcher=pattern.matcher(toMatch);
if(matcher.matches()) {
System.out.println(matcher.group(1));
}
}
private static String readFile() {
try{
// Open the file that is the first
// command line parameter
FileInputStream fstream = new FileInputStream("user.html");
// Get the object of DataInputStream
DataInputStream in = new DataInputStream(fstream);
BufferedReader br = new BufferedReader(new InputStreamReader(in));
String strLine = null;
//Read File Line By Line
while (br.readLine() != null) {
// Print the content on the console
//System.out.println (strLine);
strLine+=br.readLine();
}
//Close the input stream
in.close();
return strLine;
}catch (Exception e){//Catch exception if any
System.err.println("Error: " + e.getMessage());
return "";
}
}
}
好吧它工作得很好但是现在我想在标签之间提取文本:
<table class="claroTable">和</table>
所以我替换了我的正则表达式字符串".*?<table class=\"claroTable\".*?>(.*?)</table>.*?"
我也试过
".*?<table class=\"claroTable\">(.*?)</table>.*?"
但它不起作用我不明白为什么.html文件中只有一个表,但javascript代码中出现"table":"... dataTables.js ..."这可能是错误的原因吗？
提前谢谢你的帮助,
编辑:extranct的html文本是这样的:
<body>
.....
<table class="claroTable">
<td><th>some data and manya many tags </td>
.....
</table>
我想提取的是<table class="claroTable">和之间的任何东西</table>
File file = new File("path/to/your/file.html");
String charSet = "ISO-8859-1";
String innerHtml = Jsoup.parse(file,charSet).select("body").html();
是的,你也可以用regex以某种方式做到这一点,但它永远不会那么容易.
更新:你的正则表达式模式的主要问题是你错过了DOTALL标志:
Pattern pattern=Pattern.compile(".*?<body.*?>(.*?)</body>.*?",Pattern.DOTALL);
如果你只想要指定的表标记包含内容,你可以这样做:
String tableTag =
Pattern.compile(".*?<table.*?claroTable.*?>(.*?)</table>.*?",Pattern.DOTALL)
.matcher(html)
.replaceFirst("$1");
(更新:现在只返回表标记的内容,而不是表标记本身)
| 归档时间： |
|
| 查看次数： |
8489 次 |
| 最近记录： |