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，然后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

<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

<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：

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;  
    }  
      
} 

從字符串中獲取節點之間內容的函數如下：

       /**  
 * 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  
 *   
 * @param data        
 * @param stag      起始節點串  
 * @param etag      結束節點串  
 * @return  
 */ 
public List<String> get(String data,String stag, String etag){  
    // 存放起始節點，用于和結束節點匹配  
    Stack<Tag> work = new Stack<Tag>();  
    // 保存所有起始和結束節點  
    List<Tag> allTags = new ArrayList<Tag>();  
      
    // 在元字符前加轉義符  
    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);  
    }  
    // 保存開始結束節點之間的內容，不含節點  
    List<String> result = new ArrayList<String>();  
      
    for(Tag t : allTags){  
        if (stag.equalsIgnoreCase(t.getValue())){  
            work.push(t);  
        }else if(etag.equalsIgnoreCase(t.getValue())){  
            // 如果棧已空，則表示不匹配  
            if (work.empty()){  
                throw new RuntimeException("pos "+t.getBeginPos()+" tag not match start tag.");  
            }  
            Tag otag = work.pop();  
            // 如果棧為空，則匹配  
            if (work.empty()){  
                String sub = data.substring(otag.getEndPos(), t.getBeginPos());  
                result.add(sub);  
            }  
        }  
          
    }  
      
    // 如果此時棧不空，則有不匹配發生  
    if (!work.empty()){  
        Tag t = work.pop();  
        throw new RuntimeException("tag "+t.getValue()+ "not match.");  
    }  
      
    return result;  
      
} 

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

<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。

原文鏈接：http://blog.csdn.net/indexchen/article/details/7236754

【編輯推薦】

1. Java編程：常見問題匯總
2. Java迷題：等于，還是不等于？
3. Java數據庫連接代碼集合
4. Java編程語言的認識誤區
5. Java Thread的概述與總結