Java处理字符串搜索嵌套结构的方法

Java处理字符串搜索嵌套结构的方法

在用java分析HTML文本时，如果要取出有嵌套结构的节点之间的内容，不能直接用正则表达式来处理，因为java所带的正则表达式不支持嵌套结构的描述，虽然Perl、.Net、PHP可以支持。这时可以先用正则表达式找出节点在字符串中的位置，然后对节点进行匹配处理，取出匹配节点之间的内容，实现对嵌套结构的处理。

例如要从

[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>之间的内容，希望返回两个字符串 [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。  

源代码如下：

为了记录节点在字符串中的值和位置，先定义一个类，保存这些信息:

[java]

1. public class Tag {  
2.       
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.     }  
30.       
31.       
32.       
33. }  

从字符串中获取节点之间内容的函数如下：

[java]

1.        /** 
2.  * 获取字符串之间的内容，如果包含嵌套，则返回最外层嵌套内容 
3.  *  
4.  * @param data       
5.  * @param stag      起始节点串 
6.  * @param etag      结束节点串 
7.  * @return 
8.  */  
9. public List<String> get(String data,String stag, String etag){  
10.     // 存放起始节点，用于和结束节点匹配   
11.     Stack<Tag> work = new Stack<Tag>();  
12.     // 保存所有起始和结束节点   
13.     List<Tag> allTags = new ArrayList<Tag>();  
14.       
15.     // 在元字符前加转义符   
16.     String nstag = stag.replaceAll("([\\*\\.\\+\\(\\]\\[\\?\\{\\}\\^\\$\\|\\\\])", "\\\\$1");  
17.     String netag = etag.replaceAll("([\\*\\.\\+\\(\\]\\[\\?\\{\\}\\^\\$\\|\\\\])", "\\\\$1");  
18.       
19.     String reg = "((?:"+nstag+")|(?:"+netag+"))";  
20.       
21.     Pattern p = Pattern.compile(reg, Pattern.CASE_INSENSITIVE|Pattern.MULTILINE);  
22.       
23.     Matcher m = p.matcher(data);  
24.       
25.     while(m.find()){  
26.         Tag tag = new Tag(m.group(0),m.start(),m.end());  
27.         allTags.add(tag);  
28.     }  
29.     // 保存开始结束节点之间的内容，不含节点   
30.     List<String> result = new ArrayList<String>();  
31.       
32.     for(Tag t : allTags){  
33.         if (stag.equalsIgnoreCase(t.getValue())){  
34.             work.push(t);  
35.         }else if(etag.equalsIgnoreCase(t.getValue())){  
36.             // 如果栈已空，则表示不匹配   
37.             if (work.empty()){  
38.                 throw new RuntimeException("pos "+t.getBeginPos()+" tag not match start tag.");  
39.             }  
40.             Tag otag = work.pop();  
41.             // 如果栈为空，则匹配   
42.             if (work.empty()){  
43.                 String sub = data.substring(otag.getEndPos(), t.getBeginPos());  
44.                 result.add(sub);  
45.             }  
46.         }  
47.           
48.     }  
49.       
50.     // 如果此时栈不空，则有不匹配发生   
51.     if (!work.empty()){  
52.         Tag t = work.pop();  
53.         throw new RuntimeException("tag "+t.getValue()+ "not match.");  
54.     }  
55.       
56.     return result;  
57.       
58. }  

函数返回节点之间内容串组成的列表。

例如 调用 get(data,"<div>", "</div>") 返回含有两个元素的列表，元素分别为

[html]

1. <div>abcd<div></div><form><input type='button' value='>'/></form></div>, 1234  

需要注意的是如果节点含有正则表达式的元字符，需要在元字符前加转义符\\，源代码中第16，17行实现此功能。