Javaの正規表現を使って文字列からHTMLタグを抽出する方法

Javaのjava.util.regexパッケージには、文字シーケンスの中から特定のパターンを検索するためのさまざまなクラスが用意されています。

このパッケージのPatternクラスは、正規表現をコンパイルした結果を表すクラスです。文字列と正規表現のマッチングを行うために、次の2つのメソッドが提供されています。

• compile() − 正規表現を表す文字列を引数として受け取り、Patternクラスのオブジェクトを返します。

• matcher() − 対象となる文字列を受け取り、その文字列を現在のPatternオブジェクトが表すパターンと照合するためのMatcherオブジェクトを生成します。

Matcherクラスは、実際にマッチ操作を実行するエンジンの役割を担います。マッチした値を取得するには、このクラスの次の2つのメソッドを使用します。

• find() − 現在のオブジェクトが表すマッチ操作が成功すればtrue、失敗すればfalseを返します。

• group() − グループ番号を表す整数値を引数として受け取り、マッチ操作時にそのグループがキャプチャした文字シーケンスを返します。

文字列からHTMLタグを抽出する手順

以上を踏まえると、文字列からHTMLタグを抽出する流れは以下のようになります。

1. Patternクラスのcompile()メソッドに、抽出したいHTMLタグを表す正規表現を渡して、Patternオブジェクトを作成します。
2. Patternクラスのmatcher()メソッドを使って、対象の文字列とのマッチャーを生成します。
3. Matcherクラスのfind()メソッドで、マッチが存在するかどうかを判定します。
4. マッチした場合は、group()メソッドでマッチした文字列を取得します。

サンプルコード

次の例では、文字列内の<b>タグで囲まれた部分を正規表現で抽出しています。

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

public class ExtractHtmlTag {
    public static void main(String[] args) {
        String str = "Welcome to <b>Tutorialspoint</b>";

        // パターンオブジェクトの作成
        Pattern pattern = Pattern.compile("<b>(\\S+)</b>");

        // コンパイル済みパターンを文字列に適用
        Matcher matcher = pattern.matcher(str);

        if (matcher.find()) {
            String result = matcher.group(1);
            System.out.println(result);
        }
    }
}

実行結果

Tutorialspoint

正規表現「<b>(\S+)</b>」は、<b>タグと</b>タグに囲まれた空白以外の文字列（\S+）をキャプチャグループとして捉えます。group(1)を呼び出すことで、タグ自体ではなく中身のテキストだけを取り出せる点がポイントです。

補足：実務ではHTMLパーサーの利用も検討しましょう

正規表現による抽出は、単純なパターンのマッチングには有効です。しかし、ネストしたタグや多数の属性を含む複雑なHTMLを扱う場合、正規表現だけでの解析には限界があります。実務でHTMLを本格的に処理する際は、Jsoupなどの専用のHTMLパーサーライブラリを併用することをおすすめします。