Java：从HTML中提取所有资源链接

Question

我正在寻找一种从Java中的HTML页面中提取所有资源链接的方法。 （URL链接，文件链接..）

我首先考虑提取src，href属性中的所有元素，但列表并不详尽。这里有一个代码示例：Jsoup, extract links, images, from website. Exception on runtime。

作为一个棘手的例子，我希望能够检测隐藏在JavaScript中的链接（也可以隐藏在HTML DOM中的任何位置）：

<IMG onmouseover="window.open('http://www.evil.com/image.jpg')">

修改

1）我不是在寻找基于正则表达式的解决方案，因为它们处理HTML文档不可靠

2）我曾尝试使用像JSoup这样的Html DOM解析器。它们可以很好地提取标签及其属性。但是我还没有找到一种方法来检测JavaScript中的链接。

3）也许有一个可用的API试图呈现页面并检测需要加载哪些资源？

你有什么想法吗？

感谢。

Answer 1

如果您想使用具有一些编程知识的PHP，那么这是一个库。

http://simplehtmldom.sourceforge.net/

我使用此库从标签中提取信息，甚至从标签的属性中提取信息。这正是您需要做的事情，而无需使用复杂的代码。