Java 正則表達式提取 HTML 標籤指定屬性值實戰

需求場景

從 HTML 字串快速提取特定標籤的特定屬性值，例如所有 <a> 的 href 或 title。

核心正則

String regex = "<" + tagName + "[^<>]*?\\s" + attrName + "=['\"]?(.*?)['\"]?(\\s.*?)?>";

解析：

• [^<>]*?：非貪婪匹配非尖括號字元（屬性前綴）
• \\s：屬性名前至少一個空白
• ['\"]?：可選引號
• (.*?)：捕獲組 1 = 屬性值（非貪婪）
• (\\s.*?)?：剩餘屬性

完整工具類

public final class HtmlAttrExtractor {
    private HtmlAttrExtractor() {}

    public static List extract(String html, String tag, String attr) {
        List result = new ArrayList<>();
        String regex = "<" + tag + "[^<>]*?\\s" + attr + "=['\"]?(.*?)['\"]?(\\s.*?)?>";
        Matcher m = Pattern.compile(regex, Pattern.CASE_INSENSITIVE).matcher(html);
        while (m.find()) result.add(m.group(1));
        return result;
    }

    public static void main(String[] args) {
        String html = "aaabbb";
        System.out.println(extract(html, "a", "title"));  // [中國體育報, 北京日報]
    }
}

⚠️ 重要限制

• 正則無法正確處理：巢狀標籤、屬性值含 >、跨行、註解、CDATA、Script/Style 內容
• 生產環境強烈建議使用解析器：Jsoup、Jericho、TagSoup

Jsoup 替代方案（推薦）

Document doc = Jsoup.parse(html);
Elements links = doc.select("a[title]");
for (Element a : links) System.out.println(a.attr("title"));

線上測試工具

• JavaScript 正則測試：tools.jb51.net/regex/javascript
• 正則生成器：tools.jb51.net/regex/create_reg