在用java分析HTML文本時,如果要取出有嵌套結構的節點之間的內容,不能直接用正則表達式來處理,因為java所帶的正則表達式不支持嵌套結構的描述,雖然Perl、.Net、PHP可以支持。這時可以先用正則表達式找出節點在字符串中的位置,然後對節點進行匹配處理,取出匹配節點之間的內容,實現對嵌套結構的處理。
例如要從
[html]
- <pre name="code" class="java">data=<div><div>abcd<div></div><form><input type='button' value='submit'/></form></div></div><div>1234</div>
中取出<div></div>之間的內容,希望返回兩個字符串
[html]
- <pre name="code" class="java"><div>abcd<div></div><form><input type='button' value='submit'/></form></div><pre name="code" class="html">和1234。
源代碼如下:
為了記錄節點在字符串中的值和位置,先定義一個類,保存這些信息:
[java]
- public class Tag {
-
- public Tag(String value, int beginPos, int endPos) {
- super();
- this.value = value;
- this.beginPos = beginPos;
- this.endPos = endPos;
- }
- private String value;
- private int beginPos;
- private int endPos;
- public String getValue() {
- return value;
- }
- public void setValue(String value) {
- this.value = value;
- }
- public int getBeginPos() {
- return beginPos;
- }
- public void setBeginPos(int beginPos) {
- this.beginPos = beginPos;
- }
- public int getEndPos() {
- return endPos;
- }
- public void setEndPos(int endPos) {
- this.endPos = endPos;
- }
-
-
-
- }
從字符串中獲取節點之間內容的函數如下:
[java]
- /**
- * 獲取字符串之間的內容,如果包含嵌套,則返回最外層嵌套內容
- *
- * @param data
- * @param stag 起始節點串
- * @param etag 結束節點串
- * @return
- */
- public List<String> get(String data,String stag, String etag){
- // 存放起始節點,用於和結束節點匹配
- Stack<Tag> work = new Stack<Tag>();
- // 保存所有起始和結束節點
- List<Tag> allTags = new ArrayList<Tag>();
-
- // 在元字符前加轉義符
- String nstag = stag.replaceAll("([\\*\\.\\+\\(\\]\\[\\?\\{\\}\\^\\$\\|\\\\])", "\\\\$1");
- String netag = etag.replaceAll("([\\*\\.\\+\\(\\]\\[\\?\\{\\}\\^\\$\\|\\\\])", "\\\\$1");
-
- String reg = "((?:"+nstag+")|(?:"+netag+"))";
-
- Pattern p = Pattern.compile(reg, Pattern.CASE_INSENSITIVE|Pattern.MULTILINE);
-
- Matcher m = p.matcher(data);
-
- while(m.find()){
- Tag tag = new Tag(m.group(0),m.start(),m.end());
- allTags.add(tag);
- }
- // 保存開始結束節點之間的內容,不含節點
- List<String> result = new ArrayList<String>();
-
- for(Tag t : allTags){
- if (stag.equalsIgnoreCase(t.getValue())){
- work.push(t);
- }else if(etag.equalsIgnoreCase(t.getValue())){
- // 如果棧已空,則表示不匹配
- if (work.empty()){
- throw new RuntimeException("pos "+t.getBeginPos()+" tag not match start tag.");
- }
- Tag otag = work.pop();
- // 如果棧為空,則匹配
- if (work.empty()){
- String sub = data.substring(otag.getEndPos(), t.getBeginPos());
- result.add(sub);
- }
- }
-
- }
-
- // 如果此時棧不空,則有不匹配發生
- if (!work.empty()){
- Tag t = work.pop();
- throw new RuntimeException("tag "+t.getValue()+ "not match.");
- }
-
- return result;
-
- }
函數返回節點之間內容串組成的列表。
例如 調用 get(data,"<div>", "</div>") 返回含有兩個元素的列表,元素分別為
[html]
- <div>abcd<div></div><form><input type='button' value='>'/></form></div>, 1234
需要注意的是如果節點含有正則表達式的元字符,需要在元字符前加轉義符\\,源代碼中第16,17行實現此功能。