innerhalb eines Strings mit RegEx matchen

[Katjushka]

hallo, leute. Ich habe folgende Hausaufgabe: ich muss auf eine Webseite gehen, da einen Link auf das Impressum finden und dem Link folgen (keine Angst: bin keine Spam-Verteilerin ) Nun habe ich die Seite durchgescannt und tokeniziert. Nach einem RegEx

".*[Ii]mpressum.*"

hat die folgende Zeile gematcht

href="./impressum.html"><img

.
Jetzt möchte ich natürlich das "impressum.html" aus dieser Zeile extrahieren. Gibt es denn eine Möglichkeit innerhalb eines Strings zu matchen und das gematchte gleich in einer Variable zu speichern? Ich weigere mich an dieser Stelle den String einfach weiter nach " oder einem sonstigen Zeichen zu splitten, weil ich nicht weiß, was alles für Quellcode im Netz zu finden ist, kann ja sein, dass es nirgendwo sonst dann passen wird.
Danke

 

[mephi]

setze das was du brauchst in runde klammern
die methode in java für die klasse Matcher müsste dann group() sein..
ohne parameter bekommst du alles was er findet und mit parameter bekommst du die subpattern. group(1) liefert dir das erste subpattern, sprich alles von der ersten öffnenden klammer bis zu ihrer schließenden klammer.

 

[Katjushka]

Nach dieser Antwort sehe ich, dass ich mich nicht ganz gut ausgedruckt hab. Was habe ich und was ich haben will:
Vorhandender String

href="./impressum.html"><img

Was ich haben will:

impressum.html

Ich will nichts gruppieren.
PROBLEM: Ich habe 100 URLs. Jetzt habe ich nur eine genommen, wo es eben so aussieht wie oben. Wenn ich den String oben nach beispielsweise " splitte und den "." entferne, werde ich zwar in diesem Fall das richtige Ergebnis haben, aber man kann nicht garantieren, dass der String in einer anderen URL nicht ganz anders aussieht.

@mephi: ich habe schon mit folgendem Code versucht, klappt aber nicht aus wahrscheinlich o.g. Gründen:

 String regex = "([A-Za-z0-9]*[.-_]*[A-Za-z0-9]*[.-_]*impressum[A-Za-z0-9]*[.-_]*[A-Za-z0-9]*.[a-z]*)";
        Pattern pattern = Pattern.compile(regex);
        Matcher matcher = pattern.matcher(url);
        try
        {
        System.out.println(matcher.group());
        }
        catch (Exception ex){
            System.out.println("not found");
        }

 

[madboy]

Was mephi gemeint hat (unterstelle es ihm/ihr mal :wink: ) ist

String regex = ".*([Ii]mpressum\\.html).*";

Zugriff mit

matcher.group(1)

man kann nicht garantieren, dass der String in einer anderen URL nicht ganz anders aussieht.

Vorschlag:

String regex = "href=\"([^\"]+)\">";
matcher.group(1);

Nicht schön, auch nicht getestet aber in die Richtung sollte es funktionieren, Links aus der Seite zu holen, so lange ein "href" davor steht.

Gruß,
madboy

 

[kleiner_held]

Anzumerken wäre noch, dass sich das group() natuerlich auf ein vorheriges find()/matches()/lookingAt() bezieht.
Also zB:

while (matcher.find())
{
    System.out.println(matcher.group(1));
}

 

[Katjushka]

Meinst du, es ist sinnvoll davon auszugehen, dass es immer so aussieht und einfach alles bis zum Schrägstrich löschen lassen und nach dem ".html" bzw. ".php"

 

[madboy]

Hmmm. Ob das sinnvoll ist weiß ich nicht, das musst du entscheiden bzw. der Aufgabensteller.

So weit ich informiert bin sehen Hyperlinks in HTML immer so aus dass

...href="seite"...

da steht.

Sollte es anders aussehen ist es halt kein (standardkonformes) HTML mehr

Gruß,
madboy

EDIT: Welcher Schrägstrich? Das \" ist nur ein Anführungszeichen. Der Schrägstrich davor ist nur zum escapen da.

 

[Katjushka]

In einem anderen Forum wurde mir empfohlen erst einen HTML Parser über die Seite laufen zu lassen und dann mit dem Matchen anfangen. Was denkt ihr dazu? Wird dann nicht auch alles zwischen < und > auch noch gelöscht?

 

[mephi]

wenn du einen guten regex schreibst brauchst du das eigentlich nicht..

naja crossposting, spam-verteilerin.. du machst dich beliebt *g*

 

[madboy]

Katjushka, mir kommt es so vor, als wüsstest du nicht genau was du überhaupt machen willst.
Der erste Schritt sollte sein, dir klarzumachen was GENAU du finden willst:

1) Alle Links in einem Dokument oder
2) alle Links die "impressum.html" heißen oder
3) alle Links, die "impressum.*" heißen oder
4) alle Links, die "[Ii]mpressum.*" heißen oder
5) genau einen Link, der "blablubb.php" heißt oder
6) alles was an einer bestimmten Position im Dokument steht oder
...

Meistens werden mehrere Lösungen zum Ziel führen. Welche davon sinnvoll ist, kann dir niemand sagen, der nicht die GENAUE Aufgabenstellung kennt und wie viel Zeit/Ressourcen du investieren willst.

Ansonsten kann ich mich mephi nur anschließen.

Gruß,
madboy

 

[Katjushka]

Mein Algorithmus im Pseudocode wäre.

String regex = "blabla"; //hier wäre die RegEx die erstmal nicht so wichtig ist
String ursprungszeile ="href =blabla"; //die Zeile, die schon vorhanden ist
String aktuelleurl="";

if(regex KOMMTVORIN ursprungszeile){

SPEICHERE DAS GEMATCHTE IN EINER VARIABLE aktuelleurl;}

das heisst, wenn der Regex "\w*(impressum)\.(html)" ist (ist jetzt nur das vereinfachte Beispiel),
sieht die ursprungszeile aus:

href=./unternehmenimpressum.html

möchte ich bekommen

aktuelleurl="unternehmenimpressum.html"

Problem: wie schreibt man: KOMMTVORIN und SPEICHERE DAS GEMATCHTE (eben nicht den regex) IN EINER VARIABLE?

Hoffentlich ist es jetzt klar, was ich meine

 

[madboy]

String regex = "\w*(impressum)\.(html)"; //hier wäre die RegEx die erstmal nicht so wichtig ist 
String ursprungszeile ="href =blabla"; //die Zeile, die schon vorhanden ist 
String aktuelleurl=""; 

Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(ursprungszeile);

if (matcher.find()) { //if(regex KOMMTVORIN ursprungszeile)
//Ersetze "if" durch "while" und "String aktuelleurl" durch ein Array o.ä. wenn du alle gefundenen Muster willst

    aktuelleurl = matcher.group(1) + matcher.group(2);  //SPEICHERE DAS GEMATCHTE IN EINER VARIABLE aktuelleurl
}

 

[Katjushka]

Danke , jetzt sieht es ähnlich aus zu dem, was ich mir vorgestellt hätte. Muss noch zu Hause ausprobieren.

 

[mephi]

hab ich doch schon ganz oben geschrieben.. group(X) ..

 

[Katjushka]

ja, danke, bloss der "1" hat mich verwirrt, ich habs nicht kapiert, dass es ein Integer genau so drin stehen soll und hab versucht mit group(regex); (hab mir gedacht 1 steht für ein Argument), was gar nicht gegangen ist. Es bleibt mir immer noch ein Rätzel, was dieser 1 sein soll.
Ausserdem klappt bei mir auch die Zuweisung der Art schon nicht:

String regex = "href=\"([^\"]+)\">";

Da zeigt mir NetBeans immer Fehler an und schlägt vor, einen ";" einzufügen.

 

[madboy]

String regex = "href=\"([^\"]+)\">";

ist korrekt, zumindest sagt javac nix Gegenteiliges :wink:
Schau mal in der Zeile davor, ob da ein Semikolon steht.

Es bleibt mir immer noch ein Rätzel, was dieser 1 sein soll.

1 ist die Nummer der group. Alles was innerhalb einer Klammer steht, gehört zu einer group.

String regex = "...(group1)(group2)..."

http://java.sun.com/j2se/1.5.0/docs/api/java/util/regex/Matcher.html#group(int)

 

[mephi]

ja, danke, bloss der "1" hat mich verwirrt, ich habs nicht kapiert, dass es ein Integer genau so drin stehen soll und hab versucht mit group(regex); (hab mir gedacht 1 steht für ein Argument), was gar nicht gegangen ist. Es bleibt mir immer noch ein Rätzel, was dieser 1 sein soll.

ohne parameter bekommst du alles was er findet und mit parameter bekommst du die subpattern. group(1) liefert dir das erste subpattern, sprich alles von der ersten öffnenden klammer bis zu ihrer schließenden klammer.

 

[Katjushka]

Es hat geklappt. Danke an alle . Das Problem eines Newbies ist ja, dass er/sie die Antworten auf eigene Fragen nicht versteht :wink:
Hab auch herausgefunden, was in meinem RegEx schiff war, man soll

\\.

statt

\.

schreiben (im Gegensatz zum beispielsweise Perl), wenn man einen Punkt als normales Zeichen verwenden will.