Java正则表达二（匹配网页标签）

　　写了一个小程序抓取到了百度新闻首页的源码。接下来要获取新闻页网址。

　　分析发现，网址大多嵌在<li>标签里的<a>标签中。首先通过正则表达获取<li>标签。

import java.io.IOException;
import java.io.InputStream;
import java.io.UnsupportedEncodingException;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class main {

    public static void main(String[] args) throws UnsupportedEncodingException{
        MyClass myClass = new MyClass();  //自己写的类 获取网页代码
        String webPageSource = null;       //网页源码
        InputStream in = null;
        
        try {
            in = myClass.getWebPage("http://news.baidu.com/");
            webPageSource  = myClass.inputStream2String(in);  //流转换字符串
        } catch (IOException e) {
            System.out.println(e);
        }
        
        /**
         * java.util.regex包是有关正则表达的包,主要包含以下三个类
         * Pattern类
         * pattern 对象是一个正则表达式的编译表示。Pattern 类没有公共构造方法.
         * 要创建一个 Pattern 对象，你必须首先调用其公共静态编译方法pattern.comile()，它返回一个 Pattern 对象。该方法接受一个正则表达式作为它的第一个参数。
         * Matcher 通过pattern 对象.Matcher();获取对象
         * 
         */
        
        String regex = "<li[^>n].*>[\\s\\S]+?</li>";   //正则表达式
        Pattern pattern = Pattern.compile(regex);
        Matcher matcher = pattern.matcher(webPageSource);
        //循环匹配
        while(matcher.find()){        
            for(int i=0;i<=matcher.groupCount();i++)
                System.out.println(MyClass.String2UTF8(matcher.group(i)));
        }
        

    }

}

运行效果：<li>标签及其子标签全部匹配