Javaの正規表現を使ってHTMLの太字タグ（）の中身を抽出・照合する方法

正規表現「\S」は、空白以外の1文字にマッチします。さらに、次のように「+」を組み合わせた正規表現を使うと、太字タグの間にある1文字以上の空白以外の文字列にマッチさせることができます。

"(\S+)"

したがって、HTMLスクリプト内の太字フィールドを照合するには、以下の手順を実行します。

• compile()メソッドを使って、上記の正規表現をコンパイルし、Patternオブジェクトを作成します。

• 作成したPatternオブジェクトに対してmatcher()メソッドを呼び出し、対象の文字列を検索するMatcherオブジェクトを取得します。

• find()メソッドでマッチ箇所を順番に探しながら、group()メソッドを使ってマッチした部分文字列を取り出して出力します。

サンプルコード

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Example {
    public static void main(String[] args) {
        String str = "<p>This <b>is</b> an <b>example</b> HTML <b>script</b>.</p>";

        // 太字タグの内容にマッチさせる正規表現
        String regex = "<b>(\\S+)</b>";

        // 正規表現をコンパイルしてPatternオブジェクトを作成
        Pattern pattern = Pattern.compile(regex);

        // 対象の文字列に対してMatcherを取得
        Matcher matcher = pattern.matcher(str);

        // マッチする部分をすべて出力
        while (matcher.find()) {
            System.out.println(matcher.group());
        }
    }
}

実行結果

<b>is</b>
<b>example</b>
<b>script</b>

補足：空白を含む太字テキストを扱う場合

「\S+」は空白文字を含まない連続した文字列にしかマッチしないため、<b>Hello World</b> のように太字の中にスペースが含まれる場合はマッチできません。そのようなケースでは、貪欲マッチを避けるために以下のような正規表現を使用します。

String regex = "<b>(.+?)</b>";

「.+?」とすることで、終了タグ「</b>」の手前までの最小限の文字列をキャプチャできるため、空白を含むテキストでも正しく抽出できます。また、より堅牢なHTML解析が必要な場合は、JsoupなどのHTMLパーサーライブラリの利用も検討するとよいでしょう。