在xml字符串和java字符串之间提取正则表达式子字符串
我有一个大字符串,它是XML的表示形式。我试图提取一个节点数据,如下所示:
String textToExtract = "<FnAnno>\r\n" +
" <PropDesc F_ANNOTATEDID=\"{60431964-0000-C411-9979-E6A21CEE873F}\" F_BACKCOLOR=\"0\" F_BORDER_BACKMODE=\"2\" F_BORDER_COLOR=\"0\" F_BORDER_STYLE=\"0\" F_BORDER_WIDTH=\"1\" F_CLASSID=\"{5CF11941-018F-11D0-A87A-00A0246922A5}\" F_CLASSNAME=\"Text\" F_CREATOR=\"req92333\" F_ENTRYDATE=\"2018-06-19T13:15:43.0000000-05:00\" F_FONT_BOLD=\"true\" F_FONT_ITALIC=\"false\" F_FONT_NAME=\"arial\" F_FONT_SIZE=\"12\" F_FONT_STRIKETHROUGH=\"false\" F_FONT_UNDERLINE=\"false\" F_FORECOLOR=\"0\" F_HASBORDER=\"true\" F_HEIGHT=\"0\" F_ID=\"{60431964-0000-C411-9979-E6A21CEE873F}\" F_LEFT=\"3.430379746835443\" F_MODIFYDATE=\"2018-06-19T13:15:49.0000000-05:00\" F_MULTIPAGETIFFPAGENUMBER=\"1\" F_NAME=\"-1-1\" F_PAGENUMBER=\"1\" F_TEXT_BACKMODE=\"2\" F_TOOLTIP=\"0043007200650061007400650064002000420079003A002000720065007100390032003300330033002C0020002000430072006500610074006500640020004F006E003A002000320030003100380020004A0075006E0065002000310039002C002000310033003A00310035003A00340033002C0020005500540043002D0035\" F_TOOLTIPTRANSFERENCODING=\"hex\" F_TOP=\"1.3291139240506329\" F_WIDTH=\"0\">\r\n" +
" <F_CUSTOM_BYTES/>\r\n" +
" <F_POINTS/>\r\n" +
" <F_TEXT Encoding=\"unicode\">005400680069007300200069007300200061002000740065007300740020000A00280041006200680069006c0061007300680020004d007500740068007500720061006a00200036002f00310039002f00320030003100380029</F_TEXT>\r\n" +
" </PropDesc>\r\n" +
"</FnAnno>";
String extractedString =textToExtract.substring(textToExtract.indexOf("=\"unicode\">"),textToExtract.indexOf("</F_TEXT>")).replaceFirst("=\"unicode\">", "");
结果是0054006800690070020006900730200061002000740065007300740020000A00280041006200680069006C0061007300680020004D0750007400680075000720061006A00200036002F00310039002F0032003003100380029
为了提高效率,我想使用Pattern和matcher来提取子字符串。下面是我正在努力的代码:
Pattern pattern = Pattern.compile("\\bEncoding=.*?\\.*F_TEXT\\b");
Matcher matcher = pattern.matcher(textToExtract);
while (matcher.find()){
extractedString = (matcher.group());
}
上面的结果是Encoding=“unicode”>;005400680069007,我需要再次截断
如何只获取<F_TEXT Encoding=\"unicode\"> and </F_TEXT>
之间的数据?我在学校学习正则表达式时遇到过问题,甚至现在在工作中也遇到了问题:(我想我需要多练习。)
谢谢
# 1 楼答案
不要使用正则表达式来解析XML。使用XML解析器
要“提高效率”,请使用SAX,例如:
输出
# 2 楼答案
如果总是要在相同的XML标记之间检索数据,那么就不必担心将其解析为数据结构。你的想法是对的。如果你追求的是速度,那就抓住你知道会出现的标记之间的线
然而,你的方式是浪费一些周期
textToExtract.substring(textToExtract.indexOf("=\"unicode\">"),textToExtract.indexOf("</F_TEXT>")).replaceFirst("=\"unicode\">", "");
我们来分析一下:
你经常在同一个数组中循环
一旦你知道起点在哪里,就不需要再从头开始搜索了。相反,从这个起点开始看。然后,一旦你有了子串的起点和终点,你就可以简单地得到它
这将使性能提高约60%
编辑:为了完整起见,让我们谈谈正则表达式
Regex非常棒,脚本也很有趣,但对于这样的东西来说效率很低。如果你可以避免使用正则表达式,那么就这样做。我倾向于使用它只是为了“快速和肮脏”——在编码时间方面,而不是在执行时间方面。了解正则表达式引擎的工作原理。这真的很有趣,但你会明白为什么这是最后的选择