java處理字串搜尋嵌套結構的方法

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Regex來處理，因為java所帶的Regex不支援嵌套結構的描述，雖然Perl、.Net、PHP可以支援。這時可以先用Regex找出節點在字串中的位置，然後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

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，希望返回兩個字串
<div>abcd<div></div><form><input type='button' value='submit'/></form></div>
和1234。
原始碼如下：
為了記錄節點在字串中的值和位置，先定義一個類，儲存這些資訊:
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;}}
從字串中擷取節點之間內容的函數如下：
        /** * 擷取字串之間的內容，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，用於和結束節點匹配Stack<Tag> work = new Stack<Tag>();// 儲存所有起始和結束節點List<Tag> allTags = new ArrayList<Tag>();// 在元字元前加轉義符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);}// 儲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();// 如果棧為空白，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Regex的元字元，需要在元字元前加轉義符\\，原始碼中第16，17行實現此功能。