java正则表达式 提取溢出

[EvilCross]

public static String[] match(String original,int start, String begin, String end) {
	Pattern pat = Pattern.compile(begin+"((?:.|\n|\r)*?)"+end); //? 跟在限定字符后，非贪婪模式
	Matcher mat = pat.matcher(original);
	mat.region(start, original.length());
	if(mat.find()){
		logger.info(mat.group(0) +" start:"+mat.start()+"  end:"+mat.end()+" count:"+mat.groupCount());
		return new String[]{mat.group(1),String.valueOf(mat.start()),String.valueOf(mat.end())};
	}
	return null;
}
public static void main(String[] args){
	match(getTestStr(), 0, "<tr class=\"GridItem\" nowrap=\"nowrap\">", "</tr>");
}

其中getTestStr()方法读取一个html文件返回其字符；当begin + group(0) + end有853个字符时，就抛出内存溢出的异常
想问下这种情况怎么解决，或者什么开源项目能够解决
主要工作是从html解析提取指定标签 之间的内容，感觉如果使用indexof方式会比较繁琐

Exception in thread "main" java.lang.StackOverflowError
	at java.lang.Character.codePointAt(Character.java:2335)
	at java.util.regex.Pattern$CharProperty.match(Pattern.java:3344)
	at java.util.regex.Pattern$Branch.match(Pattern.java:4114)
	at java.util.regex.Pattern$GroupHead.match(Pattern.java:4168)
	at java.util.regex.Pattern$LazyLoop.match(Pattern.java:4357)
	at java.util.regex.Pattern$GroupTail.match(Pattern.java:4227)
	at java.util.regex.Pattern$BranchConn.match(Pattern.java:4078)

[EvilCross]

[Quote=引用 7 楼 zn85600301 的回复:]

引用 6 楼 evilcross 的回复:

jsoup很强大，就是不知道取出返回的字符串过大时会不会有问题，吃完饭后试下

这个你不用担心
我提取2M大的网页文件 内容都没事 你加好过滤条件就行了
htmlparse 确实性能有些~~ 内存溢出到源代码了~~
[/Quote]
的确没有任何压力，性能很好。 就是有个地方比较困扰。
提取<tr class=“xxx”>后，标签里有一个input标签，然后jsoup就自动帮我加了对<form></form>将其包起来

不知道谁能解释下原因

[zn85600301]

jsoup 或者 htmlparse 提去网页标签内容

[0轰隆隆0]

解析html标签不用这么麻烦，这个方法不行，那就再换一种了，这种方法看起来效率不是很高！

[火龙果被占用了]

Pattern.compile(begin+"((?:.|\n|\r)*?)"+end);

不要想当然地用 \n|\r！改成：

Pattern.compile(begin+"((?s:.)*?)"+end);

另外，你能保证你的 begin 和 end 中没有正则表达式的特殊字符？

[EvilCross]

jsoup很强大，就是不知道取出返回的字符串过大时会不会有问题，吃完饭后试下

[zn85600301]

[Quote=引用 6 楼 evilcross 的回复:]

jsoup很强大，就是不知道取出返回的字符串过大时会不会有问题，吃完饭后试下
[/Quote]
这个你不用担心
我提取2M大的网页文件 内容都没事 你加好过滤条件就行了
htmlparse 确实性能有些~~ 内存溢出到源代码了~~

[loveofmylife]

853个字符就报内存溢出是什么情况啊？

还有你确定你那个<tr>里不嵌套<tr>，比如<tr class=\"GridItem\" nowrap=\"nowrap\"><table><tr></tr></table></tr>,你那个正则就不对了

[a404125339]

5楼的是高手啊