java处理字符串搜索嵌套结构的方法 - JAVA

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]

data=abcd
1234 
 
 中取出之间的内容，希望返回两个字符串
 
 [html]
 
 abcd
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]
 
 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：
 
 [java]
 
        /**
 
  * 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 get(String data,String stag, String etag){ 
 
     // 存放起始节点，用于和结束节点匹配 
 
     Stack work = new Stack(); 
 
     // 保存所有起始和结束节点 
 
     List allTags = new ArrayList(); 
 
      
 
     // 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 result = new ArrayList(); 
 
      
 
     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,"", "") 返回含有两个元素的列表，元素分别为
 
  
 
 [html]
 
 abcd
, 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。
 
 
 
 摘自 indexchen的专栏