Question

例如有这样一个字符串：

<a href="LINK_1" class="am"> Some Text</a>.. ANYTHING ..<a href="LINK_2" class="am"> Some Text</a><a href="SEARCHED_HREF_TO_EXTRACT" class="am"> SEARCHED_TEXT</a>..

我需要从HTML链接中提取一个＆＃39; href＆＃39;属性值，来自包含一些搜索词的链接，例如＆＃39; SEARCHED_TEXT＆＃39;在例子中。你能建议一下，如何正确地做到这一点？不会问是否已经发送了很多时间=）

我去了这个，但不可思议的是它工作不正确..

String str = "<a href=\"LINK_1\" class=\"am\"> Some Text</a>.. ANYTHING ..<a href=\"LINK_2\" class=\"am\"> Some Text</a><a href=\"SEARCHED_HREF_TO_EXTRACT\" class=\"am\"> SEARCHED_TEXT</a>";
Pattern pattern = Pattern.compile("<a.*?href=\"(.*?)\".*SEARCHED_TEXT</a>");
Matcher matcher = pattern.matcher(str);

while (matcher.find()) {
    System.out.println(matcher.group(0)); // matched whole string
    System.out.println(matcher.group(1)); // should be SEARCHED_HREF_TO_EXTRAC

我知道在href =＆＃34;（。*？）＆＃34;之后我需要进行一些谈判。接受除

之外的所有符号

</a>

找到正确的HREF，但无法使其正常工作：（

Answer 1

不要在这里使用正则表达式，因为它不适合处理嵌套结构（在Java中使用的最后正则表达式，因为它不支持递归），如HTML / XML
（更多信息：Can you provide some examples of why it is hard to parse XML and HTML with a regex?）。

正确的工具是HTML / XML解析器。我可能会选择jsoup，因为它的简单性和CSS查询支持。

所以你的代码看起来像：

String html = "<a href=\"LINK_1\" class=\"am\"> Some Text</a>.. ANYTHING ..<a href=\"LINK_2\" class=\"am\"> Some Text</a><a href=\"SEARCHED_HREF_TO_EXTRACT\" class=\"am\"> SEARCHED_TEXT</a>";
Document doc = Jsoup.parse(html);
Elements links = doc.select("a:contains(SEARCHED_TEXT)"); //contains is case-insensitive
System.out.println(links.attr("href"));

或者如果您希望找到许多链接迭代找到的元素并从每个元素中获取href属性：

for(Element link : links){
    System.out.println(link.attr("href"));
}

Answer 2

好吧，如果我正确阅读，你想要提取文本与搜索词匹配的链接的href。

如果是这种情况，可以通过略微修改正则表达式来实现

    String str = "<a href=\"LINK_1\" class=\"am\"> Some Text</a>.. ANYTHING ..<a href=\"LINK_2\" class=\"am\"> Some Text</a><a href=\"SEARCHED_HREF_TO_EXTRACT\" class=\"am\"> SEARCHED_TEXT</a>";

    Pattern regex = Pattern.compile("<a\\s*href=[\"']([^'\"]+?)[\"'][^>]*?>\\s*SEARCHED_TEXT\\s*</a>", Pattern.CASE_INSENSITIVE | Pattern.UNICODE_CASE);
    Matcher regexMatcher = regex.matcher(str);
    while (regexMatcher.find()) {
        System.out.println(regexMatcher.group(1));
    }

上面的代码段，只会提取SEARCHED_HREF_TO_EXTRACT。

正则表达式，从HTML中提取具有特殊名称的href属性

2 个答案: