Java Regex html解析器

Question

  

可能重复：
  java regex quantifiers

我正在学习一些正则表达式，我遇到了这个问题：

所以我有一个字符串 TAG1 sometext TAG2 some text TAG3 someText

我需要得到的是标记语句之间的子字符串。

之类的东西

Tag1 sometext
Tag2 some text
Tag3 someText

所以我写了这个正则表达式，

Pattern pattern = Pattern.compile("TAG\\d.*TAG\\d");
Matcher matcher = pattern.matcher(string);
while(matcher.find){
    print(matcher.group);
}

但输出是

TAG1 sometext TAG2 some text TAG3 someText

我理解的方式是，点匹配任何东西，星星量化为无或多。因为我相信我的正则表达意思 TAG有一些数字，然后是其他一些东西，然后TAG和一些数字。

我在写这篇文章时也意识到，我不想要所有的子集 TAG＃text TAG＃ 组合。 例如我不想要 TAG＃text TAG＃text TAG＃

有人可以增加我对正则表达式的理解吗？

由于

编辑---

我没有在正则表达式中编写完整的HTML解析器。没有。 这是一个html解析项目，我使用Jsoup作为其中最重要的部分。 这个正则表达式只是获取一些关于html的元数据的黑客，所以我以一种或另一种形式将html传递给jsoup。

Answer 1

你的表达中没有组。使用paranthesis将它们分成组。就像“（TAG \ d）（。*）（TAG \ d）”“我是新手的正则表达式，你可能需要玩你的正则表达式，但至少是paranthesis部分是最低限度的。

Answer 2

默认情况下，正则表达式量词是贪婪的 - 它们将尽可能匹配，因此.*匹配以下所有TAG＃序列。解释如何添加适当的修饰符here。

您可能还会发现lookahead assertions很有用。

另外，为什么这个标记的HTML？看起来不像你正在解析的那样。