Java 處理巢狀 HTML 標籤：用堆疊匹配取代正則的實戰方案

問題背景

Java 內建正則引擎不支援遞迴/巢狀結構描述（Perl、.NET、PHP 支援）。若需從 HTML 字串提取巢狀標籤內容（如 <div>...</div> 內含另一組 <div>），直接用正則會失敗或誤匹配。

解決思路：位置記錄 + 堆疊匹配

1. 用正則找出所有起始/結束標籤在字串中的 位置
2. 遍歷標籤列表，起始標籤入堆疊，結束標籤出堆疊匹配
3. 堆疊為空時，表示找到最外層完整巢狀區塊，截取內容

核心資料結構：Tag 類別

public class Tag {
    private String value;      // 標籤字串，如 "
"
    private int beginPos;      // 起始索引
    private int endPos;        // 結束索引

    public Tag(String value, int beginPos, int endPos) {
        this.value = value; this.beginPos = beginPos; this.endPos = endPos;
    }
    // getter/setter 略
}

核心演算法：get 方法

public List get(String data, String stag, String etag) {
    Stack work = new Stack<>();           // 匹配用堆疊
    List allTags = new ArrayList<>();     // 所有標籤位置記錄

    // 1. 轉義正則元字元
    String nstag = stag.replaceAll("([\\*\\.\\+\\(\\)\\[\\]\\?\\{\\}\\^\\$\\|\\\\])", "\\\\$1");
    String netag = etag.replaceAll("([\\*\\.\\+\\(\\)\\[\\]\\?\\{\\}\\^\\$\\|\\\\])", "\\\\$1");
    String reg = "((?:" + nstag + ")|(?:" + netag + "))";

    // 2. 找出所有標籤位置
    Pattern p = Pattern.compile(reg, Pattern.CASE_INSENSITIVE | Pattern.MULTILINE);
    Matcher m = p.matcher(data);
    while (m.find()) {
        allTags.add(new Tag(m.group(0), m.start(), m.end()));
    }

    // 3. 堆疊匹配提取內容
    List result = new ArrayList<>();
    for (Tag t : allTags) {
        if (stag.equalsIgnoreCase(t.getValue())) {
            work.push(t);                       // 起始標籤入堆疊
        } else if (etag.equalsIgnoreCase(t.getValue())) {
            if (work.empty()) throw new RuntimeException("pos " + t.getBeginPos() + " tag not match start tag.");
            Tag otag = work.pop();              // 配對起始標籤
            if (work.empty()) {                 // 堆疊空 → 最外層匹配完成
                result.add(data.substring(otag.getEndPos(), t.getBeginPos()));
            }
        }
    }
    if (!work.empty()) throw new RuntimeException("tag " + work.pop().getValue() + " not match.");
    return result;
}

實戰測試

String data = "
abcd
1234
";
List res = get(data, "
", "
");
// 返回兩個元素：
// 1. "
abcd
"
// 2. "1234"

關鍵細節

• 元字元轉義：第 16-17 行自動為標籤字串中的正則特殊字元加反斜線，避免編譯錯誤
• 大小寫不敏感：Pattern.CASE_INSENSITIVE 適應 HTML 大小寫不一
• 錯誤檢測：堆疊最終非空或提前空，均拋出異常提示位置

適用場景

HTML/XML 片段解析、模板引擎標籤提取、程式碼區塊分析等所有「巢狀成對標記」場景。