Parsowanie strony HTML

Cześć,
Mam stronę HTML, z której chcę "wyłuskać" potrzebne mi informacje. Część kodu takiej strony:

<td style="vertical-align: top;"><a href="Ajdukiewicz/Index.htm">Ajdukiewicz,
Tadeusz</a><br>
      </td>
      <td style="vertical-align: top; text-align: center;"><big>1852-1916</big><br>
      </td>
      <td style="vertical-align: top; text-align: center;"><big>15</big><br>

      </td>
    </tr>
    <tr>
      <td style="vertical-align: top;"><big><a
 href="Alchimowicz/Index.htm">Alchimowicz, Kazimierz</a><br>
      </big></td>
      <td style="vertical-align: top; text-align: center;"><big>1840-1916<br>
      </big></td>
      <td style="vertical-align: top; text-align: center;"><big>8<br>

      </big></td>
    </tr>

Chcę z tego kodu wyciągnąć imiona i nazwiska. Załóżmy, że w zmiennej String firstPage mam cały ten kod html. Domyślam się że trzeba używać wyrażeń reguarnych, ale jak na razie mam z tym problemy...

Na razie wymyśliłam coś takiego (domyślam się, że wyrażenie regularne jest w ogóle złe). Poza tym, niestety jak można zauważyć tagi, które otaczają pierwsze nazwisko i drugie są troche inne (w jednym jest <big> </big> w drugim nie ma, no i tak jest na całej stronie - raz jest końcówka </a></big> raz </big></a> itd). Mógłby ktoś pomóc?:)

        Pattern wzorzec=Pattern.compile("<td .+><a href.+>(A.+)</a>");
        Matcher sekwencja=wzorzec.matcher(firstPage);
        Vector<String> w=new Vector<String>();

        while(sekwencja.find())
        {
            int start=sekwencja.start();
            int end=sekwencja.end();

            w.add(firstPage.substring(start, end));
        }

Jezeli to ma byc jednorazowa operacja to proponuje ci uŻyć dowolnego edytora tekstów który ma wbudowane reg exp.

Nie to nie ma być jednorazowa operacja. Użytkownik wybiera z listy pierwszą literę nazwiska, potem w następnej liście wybiera jedno nazwisko spośród wszystkich na literę np. "A", no a potem robię dalsze operacje. Muszę to mieć w programie.

Po tym jak pozbierasz wszystkie entery z przeszukiwanego tekstu (zeby Matcher sie nie pogubil:

Pattern.compile("<a href=\"(\\w+)(.+?>)(<big>)*+\\1,\\s*(\\w+)");

Interesuja nas: grupa 1 (nazwisko) i grupa 4 (imie).

Dzięki za odpowiedź, ale do końca nie rozumiem :(
Może zacznijmy od tego co dokładnie robi ta część wyrażenia regularnego: (<big>)+\1,\s(\w+)")

Rozumiem jeszcze że gwiazdka po (<big>) oznacza że jego wystąpienie jest opcjonalne, ale dalej się gubię.

Po tym jak pozbierasz wszystkie entery z przeszukiwanego tekstu (zeby Matcher sie nie pogubil

Hmmm jakie enetery?:P Jeśli chodzi o tego stringa w którym mam kod html to zzapisuję do niego w ten sposób:

in = new BufferedReader(new InputStreamReader(
                    new URL("http://pinakoteka.zascianek.pl/Artists.htm").openStream()));
            String line;
            while ((line = in.readLine()) != null) {
                firstPage+=line;
            }

jeśli to ma jakieś znaczenie.

Trochę niechlujnie i na szybkiego, ale czas spać już:

HTMLEditorKit.ParserCallback callback = 
		      new HTMLEditorKit.ParserCallback () {
				private int hreafPosition = -1;
			
		        @Override
		        public void handleStartTag(Tag t, MutableAttributeSet a, int pos) {
		        	if (HTML.Tag.A.equals(t)) {
		        		this.hreafPosition = pos;
		        	}
		        }

		        @Override
		        public void handleEndTag(Tag t, int pos) {
		        	if (HTML.Tag.A.equals(t)) {
		        		this.hreafPosition = -1;
		        	}
		        }
		        
		        @Override
		        public void handleText(char[] data, int pos) {
		        	if (pos > this.hreafPosition) {
		        		System.out.println(new String(data));
		        	}
		        }
	    };
	    final String text = "<td style=\"vertical-align: top;\"><a href=\"Ajdukiewicz/Index.htm\">Ajdukiewicz,Tadeusz</a><br>"+
      "</td>"+
      "<td style=\"vertical-align: top; text-align: center;\"><big>1852-1916</big><br>"+
      "</td>"+
     " <td style=\"vertical-align: top; text-align: center;\"><big>15</big><br>"+
      "</td>"+
    "</tr>"+
    "<tr>"+
      "<td style=\"vertical-align: top;\"><big><a href=\"Alchimowicz/Index.htm\">Alchimowicz, Kazimierz</a><br>"+
      "</big></td>"+
      "<td style=\"vertical-align: top; text-align: center;\"><big>1840-1916<br>"+
      "</big></td>"+
      "<td style=\"vertical-align: top; text-align: center;\"><big>8<br>"+
      "</big></td>"+
    "</tr>";
	    try {
			new ParserDelegator().parse(new StringReader(text), callback, false);
		} catch (IOException e) {
			e.printStackTrace();
		}

Proponuje poczytać:
http://java.sun.com/products/jfc/tsc/articles/bookmarks/

goldenka napisał(a)

Dzięki za odpowiedź, ale do końca nie rozumiem :(
Może zacznijmy od tego co dokładnie robi ta część wyrażenia regularnego: (<big>)+\1,\s(\w+)")

Rozumiem jeszcze że gwiazdka po (<big>) oznacza że jego wystąpienie jest opcjonalne, ale dalej się gubię.

(<big>)+ - plus na koncu oznacza kwantyfikator wlasnosciowy (possessive), czyli: "jesli istnieje, to zadowolimy sie tylko jednym wystapieniem"
\1 - referencja wsteczna, do grupy nr 1 (zalozylem sobie, ze nazwisko bedzie czescia linka , bledne zalozenie dla nazwisk z np. polskimi znakami)
,\s - nastepnie przecinek i ew. puste znaki
(\w+) - imie (co najmniej jedna litera)

goldenka napisał(a)

Jeśli chodzi o tego stringa w którym mam kod html to zzapisuję do niego w ten sposób:

in = new BufferedReader(new InputStreamReader(
new URL("http://pinakoteka.zascianek.pl/Artists.htm").openStream()));
String line;
while ((line = in.readLine()) != null) {
firstPage+=line;
}

> 
> jeśli to ma jakieś znaczenie.

Poczytaj (m.in. na forum), dlaczego Twoja petla jest nieprawidlowa.

Wyrazenie, ktore wczesniej podalem bylo troche wygodne. Nie uwzglednialo np. polskich znakow, nazwisk dwuczlonowych, dwoch imion, itd. Poprawniej bedzie:

Pattern.compile("<a href=\"(.+?>)(<big>)*+([()\\p{L}\\s,-]+),\\s*([\\p{L}\\s,-]+)");

gdzie, nazwisko i imie to odpowiednio grupa nr 3 i grupa nr 4.

([()\p{L}\s,-]+) - nazwisko uwzglednia nawiasy, litery UNICODE, biale spacje, przecinek i myslnik

Dziękuję wam obu za pomoc, nie miałam zielonego pojęcia że istnieje jakaś klasa do parsowania html-a :-)