我尝试以字符串格式从HTML代码段中提取网址。
我一直在使用正则表达式来检索href =＆＃34;之间的部分。和＆＃34;。但是，我注意到在某些情况下，href链接到网站中的页面而不包含根URL。例如，代码段可以是：
<div class="textcontent" id="desc">
<br>
<a rel="nofollow" href="/confirm/url/aHR0cHLy9yYZy50bw%3D%3D/" class="ajaxLink">link</a><br>
而不是更常见的：
<a href="google.com">Google</a>
我可以使用此正则表达式来缩小搜索范围：
/href\n*=\n*".*?"/
我环顾了StackOverflow，看了几篇关于这个的帖子（从html / text中提取URL），并看到提到使用像 JSoup这样的外部库。这是针对Chrome扩展程序的，所以我希望保持它的轻量级（如果这可能是一个问题）。 （JSoup是一个Java库而不是JS）。
这是否有任何好的解决方案＆＃34;部分网址＆＃34;问题？如果缺少root，是否最好只检查并附加到URL，或者更多建议使用像JSoup这样的外部库？
答案 0 :(得分：1)
按照您使用正则表达式所采用的方向，最好的方法是解析提取的URL，以便检测以下三种URL可能性之一：
第一种情况指向绝对文档，第二种情况指向绝对文档但省略协议和FQDN，第三种情况指向相关文档。
对于第二种和第三种情况，您需要知道已省略的信息才能构建完整的URL。假设您知道原始HTML代码段的URL，这里的问题是检测您为每个href面临的可能性。如果您不知道原始URL，则表示您无法完成HREF。