Java正则解析HTML 跳过标签间文本提取信息存入嵌套Map

正则设计逻辑 #

原有方案的问题本质是没有跟踪HTML块的所属状态，直接导致城市和线路的绑定关系错位。正则设计需要兼顾两个目标：

• 清晰划分城市块的边界，从物理上避免跨城市的内容错配
• 兼容标签间的任意空白、换行、无关文本，避免因严格的标签格式校验出现匹配失败

最终可用正则表达式 #

1. 城市块匹配正则（用于分割每个城市对应的内容范围）
   "<h3>\\s*(?<city>.*?)\\s*</h3>(?<blockContent>.*?)(?=<h3>|$)"
   • 命名分组city：提取h3标签包裹的城市名
   • 命名分组blockContent：提取当前h3标签结束后，到下一个h3标签或文档末尾的所有内容，完成城市块的物理隔离
   • 编译时需搭配Pattern.DOTALL标志，让.可以匹配换行符，顺利跳过块内的任意无关文本
2. 线路条目匹配正则（在单个城市块内部运行）
   "<strong>\\s*<a\\s+href=\\\"(?<lineUrl>.*?)\\\"\\s*>\\s*(?<lineId>.*?)\\s*</a>\\s*</strong>"
   • 命名分组lineUrl：提取a标签的href属性值（线路URL）
   • 命名分组lineId：提取a标签包裹的文本（线路编号）
   • 加入\\s*兼容标签间的任意排版空格、换行，避免严格格式校验导致的匹配漏错

正确的匹配处理流程 #

• 第一步：初始化目标存储结构，即外层LinkedHashMap，键为城市名，值为存储「线路编号-线路URL」键值对的内层LinkedHashMap
• 第二步：编译城市块正则，遍历整个HTML文档完成分块：每一次匹配提取当前块的城市名、块内内容，全程无跨块的状态干扰
• 第三步：对每一个独立的城市块内容，初始化当前城市对应的内层LinkedHashMap，编译线路条目正则在块内逐次匹配所有线路条目，将提取到的线路编号、线路URL直接存入内层Map
• 第四步：将当前城市名和对应的内层Map关联，存入外层总Map

原有问题的根因说明 #

• 两个独立全局Matcher的问题：两个遍历流程没有共享状态，线路匹配的全过程无法关联当前所属的城市块，会直接将所有提取到的线路绑定到第一次匹配到的城市上，甚至因Matcher的内部状态冲突出现遍历提前终止
• 合并正则失败的问题：未设置块边界的终止条件，匹配过程会跨块捕获后续h3标签的内容，导致分组取值错位、无关内容被错误捕获
• 不推荐尝试把所有匹配逻辑塞进单条超长正则，分块匹配的可靠性远高于全量单匹配，也更容易定位匹配失败的具体环节

内容的提问来源于stack exchange，提问作者Duck