Question

我有一个包含大量html的字符串，我试图从字符串的href =“...”部分中提取链接。 href可以采用以下形式之一：

<a href="..." />
<a class="..." href="..." />

我真的没有正则表达式的问题，但出于某种原因我使用以下代码：

        String innerHTML = getHTML(); 
  Pattern p = Pattern.compile("href=\"(.*)\"", Pattern.DOTALL);
  Matcher m = p.matcher(innerHTML);
  if (m.find()) {
   // Get all groups for this match
   for (int i=0; i<=m.groupCount(); i++) {
    String groupStr = m.group(i);
    System.out.println(groupStr);

   }
  }

有人可以告诉我我的代码有什么问题吗？我在PHP中做了这些东西，但在Java中，我在某种程度上做错了什么...当我尝试打印时，它会打印整个html字符串......

编辑：这样每个人都知道我正在处理的是什么类型的字符串：

<a class="Wrap" href="item.php?id=43241"><input type="button">
    <span class="chevron"></span>
  </a>
  <div class="menu"></div>

每当我运行代码时，它会打印整个字符串......这就是问题...

关于使用jTidy ......我正在使用它，但知道在这种情况下出了什么问题会很有趣......

Answer 1

.*

这是一个贪婪的操作，它将包含任何字符，包括引号。

尝试类似：

"href=\"([^\"]*)\""

Answer 2

您发布的代码存在两个问题：

首先，正则表达式中的.*是贪婪的。这将使其匹配所有字符，直到找到可以找到的最后一个"字符。您可以将此匹配更改为.*?。

，以使此匹配变得非贪婪

其次，要获取所有匹配项，您需要继续使用Matcher.find进行迭代，而不是寻找组。通过组，您可以访问正则表达式的每个带括号的部分。但是，您每次都要查找整个正则表达式。

将这些放在一起会为您提供以下代码，这些代码可以满足您的需求：

Pattern p = Pattern.compile("href=\"(.*?)\"", Pattern.DOTALL);
Matcher m = p.matcher(innerHTML);

while (m.find()) 
{
    System.out.println(m.group(1));
}

Answer 3

正则表达式很棒但不适合此特定目的。通常，您希望使用基于堆栈的解析器。看看Java HTML解析器API就像jTidy。

Answer 4

使用内置解析器。类似的东西：

    EditorKit kit = new HTMLEditorKit();
    HTMLDocument doc = (HTMLDocument)kit.createDefaultDocument();
    doc.putProperty("IgnoreCharsetDirective", Boolean.TRUE);
    kit.read(reader, doc, 0);

    HTMLDocument.Iterator it = doc.getIterator(HTML.Tag.A);

    while (it.isValid())
    {
        SimpleAttributeSet s = (SimpleAttributeSet)it.getAttributes();
        String href = (String)s.getAttribute(HTML.Attribute.HREF);
        System.out.println( href );
        it.next();
    }

或者使用ParserCallback：

import java.io.*;
import java.net.*;
import javax.swing.text.*;
import javax.swing.text.html.parser.*;
import javax.swing.text.html.*;

public class ParserCallbackText extends HTMLEditorKit.ParserCallback
{
    public void handleStartTag(HTML.Tag tag, MutableAttributeSet a, int pos)
    {
        if (tag.equals(HTML.Tag.A))
        {
            String href = (String)a.getAttribute(HTML.Attribute.HREF);
            System.out.println(href);
        }
    }

    public static void main(String[] args)
        throws Exception
    {
        Reader reader = getReader(args[0]);
        ParserCallbackText parser = new ParserCallbackText();
        new ParserDelegator().parse(reader, parser, true);
    }

    static Reader getReader(String uri)
        throws IOException
    {
        // Retrieve from Internet.
        if (uri.startsWith("http:"))
        {
            URLConnection conn = new URL(uri).openConnection();
            return new InputStreamReader(conn.getInputStream());
        }
        // Retrieve from file.
        else
        {
            return new FileReader(uri);
        }
    }
}

Reader可以是StringReader。

Answer 5

另一种简单可靠的方法是使用Jsoup

Document doc = Jsoup.connect("http://example.com/").get();
Elements links = doc.select("a[href]");
for (Element link : links){
  System.out.println(link.attr("abs:href"));
}

Answer 6

您可以使用html解析器库。 jtidy例如为您提供了html的DOM模型，您可以从中提取所有“a”元素并阅读其“href”属性

Answer 7

"href=\"(.*?)\""也应该有效，但我认为Kugel的答案会更快。

Java：我有一大串html，需要提取href =“...”文本

7 个答案: