在用Java分析HTML文本时，如果要取出有嵌套结构的节点之间的内容，不能直接用正则表达式来处理，因为Java所带的正则表达式不支持嵌套结构的描述，虽然Perl、.Net、PHP可以支持。这时可以先用正则表达式找出节点在字符串中的位置，然后对节点进行匹配处理，取出匹配节点之间的内容，实现对嵌套结构的处理。
例如要从
- <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>之间的内容，希望返回两个字符串
- <pre name="code" class="java"><div>abcd<div></div><form>
- <input type='button' value='submit'/></form></div><pre name="code" class="html">和1234。
|
源代码如下：
为了记录节点在字符串中的值和位置，先定义一个类，保存这些信息：
- 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;
- }
-
- }
|
从字符串中获取节点之间内容的函数如下：
- /**
- * 获取字符串之间的内容，如果包含嵌套，则返回最外层嵌套内容
- *
- * @param data
- * @param stag 起始节点串
- * @param etag 结束节点串
- * @return
- */
- public List<String> get(String data,String stag, String etag){
- // 存放起始节点，用于和结束节点匹配
- Stack<Tag> work = new Stack<Tag>();
- // 保存所有起始和结束节点
- List<Tag> allTags = new ArrayList<Tag>();
-
- // 在元字符前加转义符
- 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);
- }
- // 保存开始结束节点之间的内容，不含节点
- List<String> result = new ArrayList<String>();
-
- for(Tag t : allTags){
- if (stag.equalsIgnoreCase(t.getValue())){
- work.push(t);
- }else if(etag.equalsIgnoreCase(t.getValue())){
- // 如果栈已空，则表示不匹配
- if (work.empty()){
- throw new RuntimeException("pos "+t.getBeginPos()+" tag not match start tag.");
- }
- Tag otag = work.pop();
- // 如果栈为空，则匹配
- if (work.empty()){
- String sub = data.substring(otag.getEndPos(), t.getBeginPos());
- result.add(sub);
- }
- }
-
- }
-
- // 如果此时栈不空，则有不匹配发生
- if (!work.empty()){
- Tag t = work.pop();
- throw new RuntimeException("tag "+t.getValue()+ "not match.");
- }
-
- return result;
-
- }
|
函数返回节点之间内容串组成的列表。
例如 调用 get(data,"<div>", "</div>") 返回含有两个元素的列表，元素分别为
| <div>abcd<div></div><form><input type='button' value='>'/></form></div>, 1234 |
需要注意的是如果节点含有正则表达式的元字符，需要在元字符前加转义符\\，源代码中第16，17行实现此功能。