RegExp可以在JS和PHP中工作，但不能在Java中工作

Question

我有一个正则表达式来从HTML源代码中提取id和标签。可以在此处找到。

正如你所看到的，它工作得很好，速度也很快，但当我用相同的源代码在java中尝试这个regexp时，它是1。永远和2。仅匹配一个字符串(从第一个a到最后一个a是一个匹配)。

我试过打开和关闭Multiline标志，但没有区别。我不明白正则表达式怎么能在任何地方工作，但在java中除外。有什么想法吗？

private static final String COURSE_REGEX = "<a class="list-group-item list-group-item-action " href="https:\/\/moodle-hs-ulm\.de\/course\/view\.php\?id=([0-9]*)"(?:.*\s){7}<span class="media-body ">([^<]*)<\/span>";
Pattern pattern = Pattern.compile(COURSE_REGEX, Pattern.MULTILINE);
Matcher matcher = pattern.matcher(sourceCode);
List<String> courses = new ArrayList<>();
while(matcher.find() && matcher.groupCount() == 2){
courses.add(matcher.group(1) + "(" + matcher.group(2) + ")");
}

Answer 1

由于子表达式(?:.*s){7}需要检查大量可能的排列(因为.也可以匹配空格)，您的正则表达式正陷入灾难性的回溯。Java在一定数量的步骤后中止匹配尝试(不确定有多少步，当然>1.000.000步)。PHP或JS可能不会那么谨慎。

如果您将正则表达式的这一部分简化为.*?，则会得到匹配项：

"(?s)<a class="list-group-item list-group-item-action " href="https://moodle-hs-ulm\.de/course/view\.php\?id=([0-9]*)".*?<span class="media-body ">([^<]*)</span>"

请注意，您需要DOTALL标志((?s)，因此.可能与换行符匹配)，而不是MULTILINE标志，后者会更改^和$锚点的行为(正则表达式没有使用它们)。

还要注意，您不需要在Java正则表达式中转义斜杠。

这个解决方案不是很健壮，因为.*?相当不具体。我想你之前尝试的(?:.*\s){7}可能是为了匹配不超过7行的文本？在这种情况下，您可以使用(?:(?!</a>).)*来确保不会进入下一个<a>标记。这是用正则表达式解析HTML的危险之一：)

最后，来自你们大学信息学系的一位工作人员的问候：)