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

<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

<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：

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;  
    }  
      
} 

从字符串中获取节点之间内容的函数如下：

       /**  
 * 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  
 *   
 * @param data        
 * @param stag      起始节点串  
 * @param etag      结束节点串  
 * @return  
 */ 
public List<String> get(String data,String stag, String etag){  
    // 存放起始节点，用于和结束节点匹配  
    Stack<Tag> work = new Stack<Tag>();  
    // 保存所有起始和结束节点  
    List<Tag> allTags = new ArrayList<Tag>();  
      
    // 在元字符前加转义符  
    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);  
    }  
    // 保存开始结束节点之间的内容，不含节点  
    List<String> result = new ArrayList<String>();  
      
    for(Tag t : allTags){  
        if (stag.equalsIgnoreCase(t.getValue())){  
            work.push(t);  
        }else if(etag.equalsIgnoreCase(t.getValue())){  
            // 如果栈已空，则表示不匹配  
            if (work.empty()){  
                throw new RuntimeException("pos "+t.getBeginPos()+" tag not match start tag.");  
            }  
            Tag otag = work.pop();  
            // 如果栈为空，则匹配  
            if (work.empty()){  
                String sub = data.substring(otag.getEndPos(), t.getBeginPos());  
                result.add(sub);  
            }  
        }  
          
    }  
      
    // 如果此时栈不空，则有不匹配发生  
    if (!work.empty()){  
        Tag t = work.pop();  
        throw new RuntimeException("tag "+t.getValue()+ "not match.");  
    }  
      
    return result;  
      
} 

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

<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。

原文链接：http://blog.csdn.net/indexchen/article/details/7236754

【编辑推荐】

1. Java编程：常见问题汇总
2. Java迷题：等于，还是不等于？
3. Java数据库连接代码集合
4. Java编程语言的认识误区
5. Java Thread的概述与总结