Regulärer Ausdruck für HTML-Tag

sina.die · 27. Jul 2010

Ich krieg's einfach nicht hin... Kann mir jemand weiterhelfen mit nem regulären Ausdruck für einen bestimmten HTML-Paragraphen?



So in etwa stell ich mir das vor. Das Sternchen soll halt heißen: beliebig viele Zeichen oder keins.

Beispiel-Incoming-String ist dieser hier (sind auch \n dazwischen möglich, die könnte ich aber rausfiltern, wenn sie stören)

Michael... · 27. Jul 2010

Willst Du an den Inhalt zwischen den Tags?

Java:

String text = "abcd<p style=\"blablublub\">123</p>efgh<p style=\"bla\">456</p>ijkl";
Pattern pattern = Pattern.compile("<p.*?>(.*?)</p>");
Matcher matcher = pattern.matcher(text);
while(matcher.find()) {
	System.out.println(matcher.group(1));
}

musiKk · 27. Jul 2010

Nimm lieber einen HTML-Parser. Zumal das p-Element kein schließendes Tag haben muss.

Michael... · 27. Jul 2010

Wenn man weiss, was da auf einen zu kommt und man nur an einzelne Inhalte will, muss man ja nicht unbedingt einen Parser einbinden.
Falls es mit dem schliessenden Tag Probleme geben sollte könnte man das Pattern ja auch so schreiben:

Java:

Pattern pattern = Pattern.compile("<p.*?>(.*?)<");

sina.die · 27. Jul 2010

Also, ich brauche am besten den ganzen Tag, nicht nur die Inhalte.
Die Variante mit dem schließenden Tag würde eigentlich reichen, aber ich hätte sonst auch die Möglichkeit den anderen zur Sicherheit zusätzlich abzufragen. Wichtig ist halt, das in dem Inhalt &# vorkommt. Und den will ich dann eigentlich nur löschen (hätte es daher einfach mit replaceAll gemacht).
Und irgendwie will das bei mir nicht gehen. Mir leuchtet auch überhaupt nicht ein, warum ich den Tag mit

Java:

text= text.replaceAll("<p.*?>(.*?)</p>","");

nicht löschen kann. :-(

Michael... · 27. Jul 2010

Was soll den am Ende genau rauskommen?
Mit dem replaceAll löscht Du ja alles von bis , die Tags inklusive.

sina.die · 28. Jul 2010

Naja, der Rest von dem was noch so zwischen den <html>-Tags steht.
Nur der eine -Tag mit Inhalt *&#* soll raus.

Edit: Ach ja... mein Incoming-String-war halt zu Testzwecken. Da hätte dann ruhig ein Leerstring rauskommen dürfen. Normalerweise steht aber schon was drumherum.

Michael... · 28. Jul 2010

Also von dem:

HTML:

<p style="font-size:12.0pt;margin-bottom:.0001pt;margin-left:0cm;font-family:Times New Roman;margin-right:0cm;"> </p>

soll

Code:

160;

übrig bleiben?

sina.die · 28. Jul 2010

Nee, von dem

HTML:

<p style="font-size:12.0pt;margin-bottom:.0001pt;margin-left:0cm;font-family:Times New Roman;margin-right:0cm;"> </p>

soll garnichts übrig bleiben.

Von beispielsweise

HTML:

<html><p style="font-size:12.0pt;margin-bottom:.0001pt;margin-left:0cm;font-family:Times New Roman;margin-right:0cm;"> </p></html>

soll

HTML:

<html></html>

übrigbleiben.

Und von

HTML:

<html>
<p style="font-size:12.0pt;margin-bottom:.0001pt;margin-left:0cm;font-family:Times New Roman;margin-right:0cm;"> </p>
<p style="font-size:12.0pt;margin-bottom:.0001pt;margin-left:0cm;font-family:Times New Roman;margin-right:0cm;">Hallohallo160oder irgendwas anderes</p>
</html>

soll

HTML:

<html>
<p style="font-size:12.0pt;margin-bottom:.0001pt;margin-left:0cm;font-family:Times New Roman;margin-right:0cm;">Hallohallo160oder irgendwas anderes</p>
</html>

übrigbleiben.

Michael... · 28. Jul 2010

Wenn das &# auch noch relevant ist, muss man das natürlich auch noch ins Suchmuster mit aufnehmen. Bsp:

Java:

String htmlText = "<html>" +
	"<p style=\"bla\">&#undirgendwas</p>" +
	"<p style=\"bla\">Hallohallo160oder irgendwas anderes</p>" +
	"</html>";
System.out.println(htmlText.replaceAll("<p.*?>\\s*&#(.*?)</p>", ""));

sina.die · 29. Jul 2010

Danke, nun klappt's ;-)

sina.die · 29. Jul 2010

Ach, verdammt.
Nee, das geht doch nicht immer. Können Zeilenumbrüche vielleicht ein Problem sein? Hier mal ein "Inspect von meinem Beispielstring".
Oder sind vielleich die Anführungszeichen in dem String ein Problem?

Sollte ich mich evtl doch lieber mal mit HTMLParsern beschäftigen?

XHelp · 29. Jul 2010

Wenn ich es richtig in Erinnerung habe beinhaltet der Punkt-Operator in RegEx kein Zeilenumbruch

sina.die · 29. Jul 2010

Hmm, nur mit replaceAll("\n","") gehen die irgendwie auch nicht raus.
Hier nochmal der String. AUf dem Bild erkennt man ja kaum was, sehe ich gerade.

HTML:

<html>
  <head>
    
  </head>

  <body>
    <table cellpadding="0" cellspacing="0" style="border:none;" border="1">
      <tr>
                <td valign="top" style="border:solid windowtext 1.0pt;padding-right:5.4pt;padding-bottom:0cm;padding-left:5.4pt;padding-top:0cm;width:204.66667;" width="205">
          <p style="font-size:12.0pt;margin-bottom:.0001pt;margin-left:0cm;font-family:Times New Roman;margin-right:0cm;">
             
          </p>

        </td>

                <td valign="top" style="border:solid windowtext 1.0pt;padding-right:5.4pt;border-left:none;padding-bottom:0cm;padding-left:5.4pt;padding-top:0cm;width:204.73334;" width="205">
          <p style="margin-bottom:.0001pt;font-size:12.0pt;margin-left:0cm;font-family:Times New Roman;margin-right:0cm;">
             
          </p>

        </td>

                <td valign="top" style="border:solid windowtext 1.0pt;padding-right:5.4pt;border-left:none;padding-bottom:0cm;padding-left:5.4pt;padding-top:0cm;width:204.73334;" width="205">
          <p style="margin-bottom:.0001pt;font-size:12.0pt;margin-left:0cm;font-family:Times New Roman;margin-right:0cm;">
             
          </p>

        </td>

            </tr>

        </table>

    <p style="margin-bottom:.0001pt;font-size:12.0pt;margin-left:0cm;font-family:Times New Roman;margin-right:0cm;">
       
    </p>

  </body>

</html>

Michael... · 29. Jul 2010

XHelp hat gesagt.:
Wenn ich es richtig in Erinnerung habe beinhaltet der Punkt-Operator in RegEx kein Zeilenumbruch

Korrekt. Der Zeilenumbruch zwischen Wert und passt nicht auf das Muster. Folgendes sollte funktionieren:

Java:

htmlText.replaceAll("<p.*?>\\s*&#(.|\\s)*?</p>", "");

XHelp · 29. Jul 2010

Mir fällt gerade ein, dass es so nicht gehen wird, denn der RegEx wird imho andere 's miteinschließen, sprich:

Code:

<p>&#123</p>HIERIRGENDEINTEXT<p>&#456</p>

Der RegEx wird von ersten bis zum letzen löschen. Also auch HIERIRGENDEINTEXT...... soweit meine Überlegungen stimmen
(ja ich weiß, dass ein regulärer Ausdruck nichts löscht 😉 )

Michael... · 29. Jul 2010

XHelp hat gesagt.:
Mir fällt gerade ein, dass es so nicht gehen wird, denn der RegEx wird imho andere 's miteinschließen, sprich:

Code:

&#123HIERIRGENDEINTEXT&#456

Der RegEx wird von ersten bis zum letzen löschen. Also auch HIERIRGENDEINTEXT...... soweit meine Überlegungen stimmen
(ja ich weiß, dass ein regulärer Ausdruck nichts löscht 😉 )

Ausprobieren ;-)
Die "Gier" der Quantoren kann man durch ein ? unterdrücken, deswegen z.B. auch das .*?

XHelp · 29. Jul 2010

Michael... hat gesagt.:
Ausprobieren

Mist... erst denken, dann schreiben 😳

sina.die · 29. Jul 2010

Scheint zu klappen. :-D
Nochmal vielen Dank!

Regulärer Ausdruck für HTML-Tag

Mitglied

Top Contributor

Top Contributor

Top Contributor

Mitglied

Top Contributor

Mitglied

Top Contributor

Mitglied

Top Contributor

Mitglied

Mitglied

Anhänge

Top Contributor

Mitglied

Top Contributor

Top Contributor

Top Contributor

Top Contributor

Mitglied

Ähnliche Themen