Question

考虑到我们有这个正则表达式匹配页面中的URL：

(https?):\\/\\/(www\\.)?[a-z0-9\\.:].*?(?=\\s)

我的问题是我们如何改进它，例如匹配：

http://stackoverflow.com/questions/ask

而不是：

http://stackoverflow.com/questions/ask">home</a></div><div>

简而言之，我希望它能过滤通常位于网页HTML代码中的网址之后的任何;:'".,<>?«»“”‘’。

Answer 1

由于您已经在使用JSOUP，我认为获取所有链接的最佳方法是使用此库。它不会失去原创性，它是您的代码安全性，可读性和可维护性的问题。

来自href和src属性的

Here is an example from Jsoup Cookbook how you can collect all links（基本上，从你的正则表达式中我看到你只想匹配那些）：

List<String> links = new ArrayList<String>();
Document doc = Jsoup.connect(url).get();
Elements links = doc.select("a[href]");
Elements media = doc.select("[src]");
Elements imports = doc.select("link[href]");
for (Element src : media) {
    links.add(src.attr("abs:src"));
}
for (Element link : imports) {
    links.add(link.attr("abs:href"));
}
for (Element link : links) {
    links.add(link.attr("abs:href"));
}

请注意，此方法可让您获取所有绝对路径链接，即使是相对的链接。

如果您不需要并希望向老板炫耀，请尝试以下正则表达式：

https?://(?:www\\.)?[a-z0-9.:][^<>"]+

请参阅regex demo

此处，[^<>"]+匹配<，>和"以外的1个或多个符号。因此，它限制正则表达式不跨越属性边界。您也可以在那里添加'。

修改正则表达式以获得更好的匹配

1 个答案: