htmlファイルに使われたタグを検索

正規表現のパターンを作成するときに、HTMLタグの中の属性を除いて、パターンを作成したいです。

例えば、

<html itemscope="" itemtype="http://schema.org/WebPage" lang="ko-JP">の場合であると、 htmlだけを取得したいです。

正規表現でどうあらわすかが分かりません。

　　　　　　　　　//省略

	String s = getSourceText(new URL("https://www.google.co.jp/"));

	// 正規表現のタグのパターンを作成する。
	Pattern p1 = Pattern.compile

　　　　　　　　　　　　　　　　　("//この部分にHTMLタグの中の属性を除いて正規表現を作りたい");

	// URLのテキスト文がタグの部分と一致させる。
	Matcher m1 = p1.matcher(s);

行動規範の内容に同意します

回答4件

コメントのタグと終了タグの</タグ名>の</>の部分もはずしたい

コメントと終了タグの文法を考慮すれば、自ずと答えは出てくると思うのですが、それについては考えてみたでしょうか。

HTML
1<!-- コメント -->
2<p>段落</p>

考え方は二通りあります。

! または / で始まる場合は否定する (ブラックリスト式)
タグ名として認められる文字だけを許容する (ホワイトリスト式)

Re: Welchs さん

投稿2018/01/31 10:01

think49

総合スコア18164

ちょっと違ったアプローチによる課題解決方法の提案ですが、jsoupといったHTMLパーサを導入して、タグ要素をパースして各要素の名称を取ったほうが正規表現より確実かと思います。
https://jsoup.org/

投稿2018/01/31 07:12

masaya_ohashi

総合スコア9206

こういうのはどうでしょうか。

javascript
1p = /</?([^\s/>]+)/
2x = p.exec('<html itemscope="" itemtype="http://schema.org/WebPage" lang="ko-JP">')
3console.log(x[1])

投稿2018/01/31 04:06

KojiDoi

総合スコア13671

いちばんシンプルにやろうと思えば、<html ...のhtmlだけにマッチさせるような正規表現は(?<=<)[^/]\S*のように書けます。

投稿2018/01/31 02:17

編集2018/01/31 02:21

maisumakun

総合スコア145184

Welchs

2018/01/31 05:14

回答ありがとうございます。質問が言葉足らずで申し訳なかったのですが、HTMLのタグ名だけほしいです。回答を参考にして、考えてみたのは、 Pattern p1 = Pattern.compile("(?<=<)\/?([^\s\/>]+)"); で、<>はのけることができたのですが、コメントのタグと終了タグの</タグ名>の</>の部分もはずしたいという場合はどのように書いたらよいのでしょうか？

行動規範の内容に同意します

あなたの回答