专门应用 java 模式匹配器来提取 html 个元素，忽略一些字符

Question

我正在使用此代码：

Pattern pat_1 = Pattern.compile("class=\"\"pinyin\"\">(.*?)<script>");
Matcher mat_1 = pat_1.matcher( text );
while( mat_1.find() )
{
    System.out.println( mat_1.group(1) );
}

这是匹配的输入数据源：

<br>
<span class=""b"">拼音：</span><span class=""pinyin"">xī<script>Setduyin('Duyin/xi1')</script></span>　<span class=""b"">注音：</span><span class=""pinyin"">ㄒㄧ<script>Setduyin('Duyin/xi1')</script></span><br>
<span class=""b"">简体部首：</span>丨　<span class=""b"">部首笔画：</span>1　<span class=""b"">总笔画：</span>8<br><span class=""b"">繁体部首：</span>卜　<span class=""b"">部首笔画：</span>2　<span class=""b"">总笔画：</span>8<br><span class=""b"">康熙字典笔画</span>( 卥:8； )

我的代码的问题是它也选择了 ㄒㄧ，因为前面的元素和处理的元素是相同的。我怎么能排除 ㄒㄧ 而只排除 select xī。也许我可以使用 <br> 标签，因为这是第一次使用时所特有的东西，但这需要标识一个新行并忽略 拼音： 如何做到这一点？我一直在玩 regex101.com 但我还不能确定它。

所以现在要清楚 java 代码的输出是

xī
ㄒㄧ

但我只希望它是

xī

Answer 1

您可以试试下面的正则表达式。

Pattern pat_1 = Pattern.compile("class=\"\"pinyin\"\">(.*?)<script>(?:(?!<script>).)*");

DEMO

或

(?m)^.*?class=\"\"pinyin\"\">(.*?)<script>

(?m) 称为多行修饰符，在正则表达式中使用锚 ^、$ 时启用此修饰符是安全的。

DEMO

专门应用 java 模式匹配器来提取 html 个元素，忽略一些字符

exclusively apply java pattern matcher to extract html elements, ignore some characters

java

html

regex

pattern-matching