Понимание шаблона
У вас есть следующий строковый литерал Java:
// Java string literal
"<A HREF=\"([^\"]+)\"[^>]*>([^<]+?)\\.mp3</A>"
Шаблон, представленный этой строкой при обработке всех escape-последовательностей, таков:
// the regex pattern
<A HREF="([^"]+)"[^>]*>([^<]+?)\.mp3</A>
Теперь давайте разберем этот шаблон на части:
_________ _ _ E________
<A HREF="([^"]+)"[^>]*>([^<]+?)\.mp3</A>
\_____/ \______/
1 2
Итак, части этого регулярного выражения:
<A HREF=" в буквальном соответствии ([^"]+), т. Е. Все, кроме двойных кавычек, захваченных в группе 1 ", сопоставленных буквально [^>]*, т. Е. Все, кроме >>, сопоставленных буквально([^<]+?), т. Е. Все, кроме <, как можно меньше, захваченных в группе 2 .mp3</A>, сопоставленных буквально (. экранируется обратной косой чертой)
Итак, глядя на это, мы можем заметить, что регулярное выражение делает следующие предположения:
- Значение атрибута
href соответствует части 2;он должен быть заключен в двойные кавычки и сам по себе не может содержать никаких двойных кавычек.Это совпадение фиксируется в группе 1. - Все оставшиеся атрибуты соответствуют части 4.
href должен быть первым атрибутом, иначе регулярное выражение не будет совпадать. - Часть 6соответствует имени файла, захватывая в группу 2.
- Часть 7 соответствует расширению и сразу после закрывающего элемента.Нежелание части 6, вероятно, не является необходимым.
Синтаксический анализ HTML с помощью регулярных выражений - сложная задача, но, учитывая многочисленные предположения, приведенное выше регулярное выражение кажется способным выполнять работу большую часть времени.
Изменение шаблона
Чередование в регулярных выражениях выполняется с помощью вертикальной черты.Важно понимать его приоритет и то, как группировка может быть полезна.
this|that соответствует одной из этих двух строк: this|that thing соответствует одной из следующих двух строк: (this|that) thing соответствует одной из этих двух строк: "this thing""that thing"
(this|that) (thing|stuff) соответствует одной из этихчетыре строки: "this thing""that thing""this stuff""that stuff"
Таким образом, чтобы разрешить расширение mp3 и ogg, мы можем изменить mp3 в шаблоне на (mp3|ogg).Обратите внимание, что эта группа будет сопоставлять и захватывать расширение в группу 3.
Таким образом, последний шаблон:
<A HREF="([^"]+)"[^>]*>([^<]+)\.(mp3|ogg)</A>
\_____/ \_____/ \_______/
1:url 2:filename 3:ext
В качестве строкового литерала Java это:
"<A HREF=\"([^\"]+)\"[^>]*>([^<]+)\\.(mp3|ogg)</A>"
Приложение
[…] представляет собой класс символов .Нечто вроде [aeiou] соответствует одному из строчных гласных.[^…] является отрицательным классом символов.[^aeiou] соответствует одному из , кроме строчных гласных.
(…) - это группа захвата .Позволяет получить строку, с которой он совпал, для последующего извлечения.
* и + являются спецификаторами повторения .По умолчанию повторение является жадным (то есть соответствует много , насколько это возможно).? в +? делает его неохотным (то есть соответствует нескольким , насколько это возможно).
Обратите внимание, что ? может также служить необязательным спецификатором повторения в других контекстах.
. - это метасимвол, который соответствует (почти) любому символу .Поскольку нам нужен буквальный период, мы избегаем его, добавляя двойную косую черту.
Обратите внимание, что шаблон регулярного выражения по умолчанию чувствителен к регистру.В Java вы можете использовать флаг Pattern.CASE_INSENSITIVE (встраиваемый в шаблон как (?i)).