快捷導(dǎo)航

java正則表達(dá)式如何獲取xml文件中指定節(jié)點(diǎn)的值

更新時(shí)間：2023年06月17日 16:42:07 作者：FinelyYang

這篇文章主要介紹了java正則表達(dá)式如何獲取xml文件中指定節(jié)點(diǎn)的值問(wèn)題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

正則表達(dá)式獲取xml文件中指定節(jié)點(diǎn)的值

/**
     * 獲取指定標(biāo)簽中的內(nèi)容
     *
     * @param xml   傳入的xml字符串
     * @param label 指定的標(biāo)簽
     */
    public static List<String> getFieldListByRegex(String xml, String label) {
        //正則表達(dá)式
        String regex = "<" + label + ">(.*?)</" + label + ">";
        Pattern pattern = Pattern.compile(regex);
        Matcher m = pattern.matcher(xml);
        //匹配的有多個(gè)
        List<String> fieldList = new ArrayList<>();
        while (m.find()) {
            if (StringUtils.isNotEmpty(m.group(1).trim())) {
                fieldList.add(m.group(1).trim());
            }
        }
        return fieldList;
    }

正則表達(dá)式的使用以及解析XML

在日常使用正則表達(dá)式的時(shí)候，常常就是直接百度匹配這個(gè)字符串的正則表達(dá)式。正則表達(dá)式的規(guī)則還是比較多的，一段時(shí)間不用就容易忘了。

這里就不得不提及兩個(gè)非常通用的匹配方法 貪婪匹配和 惰性匹配，在做爬蟲(chóng)或者提取字符串中的數(shù)據(jù)時(shí)，基本使用這兩個(gè)都能搞定。

正則部分

定義

貪婪匹配: .*
惰性匹配:.*?

表達(dá)式	含義
`.`	是任意字符可以匹配任何單個(gè)字符。
`*`	匹配0個(gè)或多個(gè)正好在它之前的那個(gè)字符。
`?`	匹配0個(gè)或1個(gè)正好在它之前的那個(gè)字符。
`.*`	匹配0個(gè)或多個(gè)任意字符
`.?`	匹配0個(gè)或1個(gè)任意字符

.* 具有貪婪模式匹配到不能匹配為止
.*? 則相反匹配到匹配到一個(gè)后，就繼續(xù)往下匹配不會(huì)回溯，具有最小匹配原則性質(zhì)。

舉例

直接上栗子

網(wǎng)上的正則測(cè)試也挺多的

如字符串：{123}}}}

使用{.*}匹配的結(jié)果是{123}}}}
使用{.*?}匹配的結(jié)果是{123}

這個(gè)應(yīng)該就能很明顯看出貪婪與惰性匹配的區(qū)別所在了。

在爬蟲(chóng)中，我們常常使用.*去匹配我們不需要的字符串，使用.*?來(lái)匹配我們需要提取的。

Java正則部分

正則表達(dá)式的匹配是不區(qū)分編程語(yǔ)言的，但是在語(yǔ)言的使用中也會(huì)有一些疑問(wèn)如：

已經(jīng)匹配上子字符串了如何提取自己想要的內(nèi)容？

匹配到了多個(gè)子字符串，如何獲取到所有匹配到的子字符串中的數(shù)據(jù)？

find()和matches()的區(qū)別是什么？

直接上代碼

單子字符串提取數(shù)據(jù)

現(xiàn)在有這么個(gè)需要匹配的字符串，該如何將所有人的名字都提取出來(lái)呢

<areas><area>璃月</area></areas>

import org.junit.jupiter.api.Test;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class ReTest {
    @Test
    public void t1(){
        String xml = "<areas><area>璃月</area></areas>";
        Pattern compile = Pattern.compile("<area>(.*?)</area>");
        Matcher m = compile.matcher(xml);
        if (m.find()){
            System.out.println(m.group(0));
            System.out.println(m.group(1));
        }
    }
}

<area>璃月</area>
璃月

<area>(.*?)</area>中的()是給我們的匹配到的子字符串定義分組，group(0)是匹配到的字符串的全部，而group(1)則是我們定義的匿名分組。

既然有匿名分組，自然有命名分組代碼如下

@Test
	public void t2(){
	    String xml = "<areas><area>璃月</area></areas>";
	    Pattern compile = Pattern.compile("<area>(?<area>.*?)</area>");
	    Matcher m = compile.matcher(xml);
	    if (m.find()){
	        System.out.println(m.group(0));
	        System.out.println("匿名分組:"+m.group(1));
	        System.out.println("命名分組:"+m.group("area"));
	    }
	}

<area>璃月</area>
匿名分組:璃月
命名分組:璃月

代碼中還有一個(gè)方法m.find()，該方法如果找到滿足條件的正則表達(dá)式就會(huì)返回ture。也可以傳入一個(gè)int,如

m.find(5)表示從字符串的第5位開(kāi)始匹配。

其實(shí)還有一個(gè)方法也是匹配字符串m.matches()：該方法是整個(gè)原始字符串滿足正則才返回true,因此該方法適合于匹配字符串是否滿足某個(gè)格式時(shí)使用，如手機(jī)號(hào)，身份證，郵箱等。

多子字符串提取數(shù)據(jù)

如下字符串，如何將所有的area都提取出來(lái)？

<areas><area>蒙德</area><area>璃月</area><area>稻妻</area><area>須彌</area></areas>

匹配這個(gè)字符串與上面的相同，正則表達(dá)式都不需要改變但提取的時(shí)候，需要進(jìn)行循環(huán)提取。

代碼如下

@Test
    public void t3(){
        String xml = "<areas><area>蒙德</area><area>璃月</area><area>稻妻</area><area>須彌</area></areas>";
        Pattern compile = Pattern.compile("<area>(?<area>.*?)</area>");
        Matcher m = compile.matcher(xml);
        int start = 0;
        while (m.find(start)){
            System.out.println(m.group(1));
            start = m.end(); // m.end() 返回當(dāng)前到了哪個(gè)位置
        }
    }