วิธี Extract HTML Tag จาก String ด้วย Regex ใน Java

ใช้แพ็กเกจ java.util.regex มีคลาสหลัก 2 คลาส:

Pattern - compiled regex
Matcher - engine สำหรับ match operation

เมธอดสำคัญของ Matcher

find() - หา match ถัดไป คืน boolean
group() - คืนค่าทั้งหมดที่ match
group(int n) - คืนค่า capturing group ที่ n (group 0 = ทั้งหมด)

ตัวอย่าง: ดึงเนื้อหาใน <b>...</b>


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

public class ExtractHtmlTag {
    public static void main(String[] args) {
        String str = "Welcome to Tutorialspoint";
        
        // Pattern:  (capture group) 
        Pattern pattern = Pattern.compile("(\\S+)");
        Matcher matcher = pattern.matcher(str);
        
        if (matcher.find()) {
            String content = matcher.group(1); // group 1 = (\S+)
            System.out.println("Extracted: " + content);
        }
    }
}

ผลลัพธ์


Extracted: Tutorialspoint

Regex Patterns สำหรับ HTML Tags

Pattern	คำอธิบาย	ตัวอย่าง Match
`<b>(\\S+)</b>`	Tag b, เนื้อหาไม่มี space	Hello
`<b>([^<]+)</b>`	Tag b, เนื้อหาไม่มี < (รองรับ space)	Hello World
`<(\\w+)>([^<]+)</\\1>`	Tag ใดๆ + เนื้อหา (backreference \\1)	Italic, Content
`<([^>]+)>([^<]*)</\\1>`	Tag ที่มี attribute ได้	Text

ตัวอย่าง: Extract ทุก Tag แบบ Generic


String html = "Title
Paragraph bold";
Pattern pattern = Pattern.compile("<(\\w+)[^>]*>([^<]*)");
Matcher matcher = pattern.matcher(html);

while (matcher.find()) {
    String tagName = matcher.group(1);
    String content = matcher.group(2);
    System.out.println(tagName + ": " + content);
}

ผลลัพธ์


h1: Title
p: Paragraph 
b: bold

⚠️ ข้อจำกัดสำคัญ: Regex ไม่ควร Parse HTML

HTML เป็น nested structure (context-free grammar) Regex เป็น regular language (regular grammar) Regex ไม่สามารถ parse HTML ที่ซ้อนกันได้ถูกต้อง


// นี้จะ fail หรือผิดพลาด
String nested = "inner";
// Regex จะ match ผิด: inner แทนที่จะเป็น outer div

แนะนำ: ใช้ HTML Parser (Jsoup)


import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

Document doc = Jsoup.parse(html);
Elements boldElements = doc.select("b");
for (Element el : boldElements) {
    System.out.println(el.text());
}

// หรือ select ทุก element
Elements all = doc.select("*");
for (Element el : all) {
    System.out.println(el.tagName() + ": " + el.text());
}

สรุป

Regex: ใช้ได้เฉพาะ HTML แบบ flat, simple, known structure
Jsoup: ใช้สำหรับ HTML จริง, nested, malformed, extraction ซับซ้อน
Production code: อย่าใช้ Regex parse HTML - ใช้ Jsoup หรือ HTML parser อื่น