用于提取几个<div>标记的java正则表达式

Question

以下是输入字符串：

<div class="matchthis">Orange</div>
<div class="dontmatch">One</div>
<div class="matchthis" id="hurdle">Lemon</div>
<div class="dontmatch">Two</div>
<div id="hurdle" class="matchthis">Peach</div>

我想在下面输出（包含class="matchthis"的所有<div>标记）：

<div class="matchthis">Orange</div>
<div class="matchthis" id="hurdle">Lemon</div>
<div id="hurdle" class="matchthis">Peach</div>

这个Java正则表达式将只输出以下内容：

<div class="matchthis">Orange</div>

请帮助改进正则表达式以获得所需的输出

请不要告诉我使用较慢的DOM/Soup/等。我想知道raw regex能否解决上述简单问题（你将获得答案！）。是的，我知道this post，所以别提了

Answer 1

如果标记不能嵌套，这是可能的

您可以将(?:\s+\w+=(?:"[^"]*"|'[^']*'|\S*))*添加到属性的两侧

不要认为这比一个好的解析器更快

Answer 2

Pattern.compile(
   "<div class=\"matchthis\"(?:[^>\"']|\"[^\"]*\"|'[^']*')*>(.*?)(?=</div>)",
   Pattern.CASE_INSENSITIVE | Pattern.DOTALL)

要分解它

 (?:[^>\"']|\"[^\"]*\"|'[^']*')*

由于

 (?: ... )*

由于

[^>\"']

或双引号属性值

\"[^\"]*\"

或单引号属性值

'[^']*'

Pattern.DOTALL意味着.*?将允许在div正文中使用换行符

Pattern.CASE_INSENSITIVE使它能够正确地处理HTML元素名称的大小写折叠，不过如果您的默认语言环境是土耳其语，那么<DİV>可能会有一些奇怪的地方（请注意虚线I）

Answer 3

<div [^>]*class=\"matchthis\"[^>]*>(.*?)(?=</div>)