Java處理字符串搜索嵌套結構的方法

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]

1. <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]

1. <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]

1. public class Tag {
3. public Tag(String value, int beginPos, int endPos) {
4. super();
5. this.value = value;
6. this.beginPos = beginPos;
7. this.endPos = endPos;
8. }
9. private String value;
10. private int beginPos;
11. private int endPos;
12. public String getValue() {
13. return value;
14. }
15. public void setValue(String value) {
16. this.value = value;
17. }
18. public int getBeginPos() {
19. return beginPos;
20. }
21. public void setBeginPos(int beginPos) {
22. this.beginPos = beginPos;
23. }
24. public int getEndPos() {
25. return endPos;
26. }
27. public void setEndPos(int endPos) {
28. this.endPos = endPos;
29. }
33. }

從字符串中獲取節點之間內容的函數如下：

[java]

1. /**
2. * 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
3. *
4. * @param data
5. * @param stag 起始節點串
6. * @param etag 結束節點串
7. * @return
8. */
9. public List<String> get(String data,String stag, String etag){
10. // 存放起始節點，用於和結束節點匹配
11. Stack<Tag> work = new Stack<Tag>();
12. // 保存所有起始和結束節點
13. List<Tag> allTags = new ArrayList<Tag>();
15. // 在元字符前加轉義符
16. String nstag = stag.replaceAll("([\\*\\.\\+\\(\\]\\[\\?\\{\\}\\^\\$\\|\\\\])", "\\\\$1");
17. String netag = etag.replaceAll("([\\*\\.\\+\\(\\]\\[\\?\\{\\}\\^\\$\\|\\\\])", "\\\\$1");
19. String reg = "((?:"+nstag+")|(?:"+netag+"))";
21. Pattern p = Pattern.compile(reg, Pattern.CASE_INSENSITIVE|Pattern.MULTILINE);
23. Matcher m = p.matcher(data);
25. while(m.find()){
26. Tag tag = new Tag(m.group(0),m.start(),m.end());
27. allTags.add(tag);
28. }
29. // 保存開始結束節點之間的內容，不含節點
30. List<String> result = new ArrayList<String>();
32. for(Tag t : allTags){
33. if (stag.equalsIgnoreCase(t.getValue())){
34. work.push(t);
35. }else if(etag.equalsIgnoreCase(t.getValue())){
36. // 如果棧已空，則表示不匹配
37. if (work.empty()){
38. throw new RuntimeException("pos "+t.getBeginPos()+" tag not match start tag.");
39. }
40. Tag otag = work.pop();
41. // 如果棧為空，則匹配
42. if (work.empty()){
43. String sub = data.substring(otag.getEndPos(), t.getBeginPos());
44. result.add(sub);
45. }
46. }
48. }
50. // 如果此時棧不空，則有不匹配發生
51. if (!work.empty()){
52. Tag t = work.pop();
53. throw new RuntimeException("tag "+t.getValue()+ "not match.");
54. }
56. return result;
58. }

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]

1. <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。