regex - 在 Scala 中解析 HTML 元标记

Question

我正在尝试使用 Scala 解析元标记。我试过用 XML 匹配来做这个，比如

`html // meta ...` etc,

但我收到格式错误的 XML 错误，因为此特定页面上的这些元标记没有结束标记或... />附件。

所以对于下面的 HTML，

val html = """<meta name="description" content="This is some meta description">"""

我正在使用以下正则表达式匹配器：

val metaDescription = """.*meta name="Description" content="([^"]+)"""".r

• 当我尝试匹配时，val metaDescription(desc) = html我得到一个 scala.MatchError。
• 当我尝试metaDescription.findAllIn(html)和迭代时，我得到了整个字符串——而不仅仅是描述。

我怎样才能得到里面的价值，content而不是别的？

编辑

我得到了我想要的结果：

metaDescription.findAllIn(html).matchData foreach {
  desc => println(desc.group(1))
} 

但这似乎还有很长的路要走。有更好的解决方案吗？

Answer 1

Scala XML 和 TagSoup提供了一种直接在 Scala XML 中使用标签汤的方法。

如果您对替代方案持开放态度，那么Scales Xml提供了一种类似的有用方法来通过替代 SAX 解析器解析 html：

val html = loadXmlReader(htmlStream, parsers = AlternateSAXFactoryPool)

该链接上提供了 Tagsoup 和 Nu.Validator 的示例工厂。