如题:
使用正则表达式,怎么匹配特定html标签内的内容。
比如,对于如下文本串:
... ignored content
prefix content
<html>inner content</html>
postfix content
... ignored content
我们要提取出<html>标签内的内容: inner content
(这里的html标签可以换成任何其它的标签,比如<p>
标签)
这里引入正则表达式的group概念:详细点击文章查看
比如:对于一个正则表达式( ( A ) ( B ( C ) ) )
- group 1为:
( ( A ) ( B ( C ) ) )
- group 2为:
( A )
- group 3为:
( B ( C ) )
- group 4为:
( C )
这样,我们就能够构造出如下的正则表达式:.*?(<(html>)(.*)</\2).*
此表达式的group概念为:
- group 1:
(<(html>)(.*)</\2)
- group 2:
(html>)
- group 3:
(.*)
显然我们要求的就是group3的内容。
注意:\2是对group2的引用,也就是html>
该正则表达式也可以写成:.*?(<(html>)(.*)</(html>)).*
化简其实就是.*?<html>(.*)</html>.*
代码实现为:
String p = ".*?(<(html>)(.*)</\\2).*";
String m = "prefix<html>午休abc</html>postfix";
System.out.println("Pattern: " + p);
System.out.println("String to be test: " + m);
Pattern pattern = Pattern.compile(p);
Matcher matcher = pattern.matcher(m);
if(matcher.matches()) {
System.out.println("Matched String: " + matcher.group(3));
} else {
System.out.println("So sad, not matching anything!");
}