1

Стоит задача поиска всех не повторяющихся тегов без атрибутов (например, head, body) в HTML файле с помощью регулярных выражений.

public static void main(String[] args) throws FileNotFoundException {
    String tmp = fileReader(fileName); //метод читает весь файл и возвращает строку, в которой мы ищем наши теги
    Pattern p = Pattern.compile("<[^> ]+>");
    Matcher m = p.matcher(tmp);
    while (m.find()) {
        System.out.println(m.group());
    }
}

Данный код выводит все теги без атрибутов, а мне нужны только те, которые не повторяются.

Я пробовал так: ("<[^> ]+>")?. ? означает, что оно будет искать совпадения, которые повторяются 0 или 1 раз. Не работает.

Как это можно сделать?

2
  • Парсить HTML регулярными выражениями не надо. Никогда. Вот обзор по .NET.
    – VladD
    2 июл 2015 в 15:45
  • 2
    Если задача поставлена использовать регулярки — пора менять работу.
    – VladD
    2 июл 2015 в 15:45

1 ответ 1

2

Вы не сможете решить эту задачу чистыми регулярками в Java - в движке регулярок этого языка отсутствуют обратные позиционные проверки непостоянной длины, то бишь:

(?<![a-z].*)

Вы можете посмотреть как примерно могло бы выглядеть такое регулярное выражение:
https://regex101.com/r/iH6gR5/1

<(\w+)>(?=.*?(<\/\1>))(?!.*<\1)

Его проблема в том, что оно совпадает с последним DIV, так как справа от него нет другого DIV.

У меня нет .NET для тестирования регулярки (в нем есть ?<!.*), но рабочий вариант должен выглядеть примерно так:

<(\w+)>(?<!<\1>.*<\1>)(?=.*?(<\/\1>))(?!.*<\1)

P.S. Регулярное выражение не учитывает комментарии, блоки CDATA и прочие прелести синтаксиса HTML, если добавить поддержку этого, то регулярка будет настолько сложной, что не принесет образовательного эффекта.


Не люблю так решать, когда ответ - смесь кода и регулярных выражений, поэтому сначала написал, что задача не решаема при помощи регулярных выражений.

String tmp = "<html><head></head><body><div></div><DIV><pre></pre></div></body></html>";
Pattern p = Pattern.compile( "<([^> ]+)>(?=(?:.*<(\\1)>)?)", Pattern.DOTALL|Pattern.CASE_INSENSITIVE );
Matcher m = p.matcher(tmp);
List<String> exclude = new ArrayList<String>();
while ( m.find() ) {
    if ( m.group(2) != null ) {
        exclude.add( m.group(2).toLowerCase() );
    }
    if ( exclude.indexOf( m.group(1).toLowerCase() ) == -1 ) {
        System.out.println( m.group() );
    }
}

Результат:

<html>
<head>
</head>
<body>
<pre>
</pre>
</body>
</html>

Были исключены div, так как они повторяются.

7
  • В шаблон «распарсить регулярками HTML невозможно» надо добавить «если вы не @ReinRaus» :)
    – VladD
    2 июл 2015 в 16:22
  • @VladD это не так трудно, как кажется :-)
    – ReinRaus
    2 июл 2015 в 16:34
  • Угу :-)
    – VladD
    2 июл 2015 в 16:38
  • Получилось такое выражение - (<[^> /!-]+>)(?![\s\S]*\1) вроде работает и не учитывает коментрарии 3 июл 2015 в 8:54
  • Лучше \w+, про комментарии и цдата я начал речь, потому что внутри них могут быть тэги.
    – ReinRaus
    3 июл 2015 в 9:01

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge you have read our privacy policy.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.