如何获取hrefs指向的实际链接

Question

我正在解析网页的html代码，并使用正则表达式抓取所有提到的hrefs链接，但是一些网站例如维基百科，提到html代码中的某些hrefs作为释义 例如：

代码说：

href="#cite_note-Types_of_Test_Item_Formats-

但链接实际上是： http://en.wikipedia.org/wiki/Test_(assessment)#cite_note-Types_of_Test_Item_Formats-15

如何仅使用网页来源访问这些链接？

编辑：用java编码

感谢任何帮助

Answer 1

它们不是释义，它们是片段标识符。 #引入了页面片段的标识符。所以你引用的是当前页面的相对URL，具有不同的片段标识符。 Wikipedia page about URLs中有更多内容以及它链接到的RFC。

请注意，片段不一定只出现在自己身上。它们可以是任何URL，相对或绝对。如果您要处理URL，则必须解决如何解析相对URL的问题。例如，如果我们假设我们在页面http://example.com/foo/bar.html上，那么：

• #frag已解决为http://example.com/foo/bar.html#frag
• ../alt.html
  =＆GT;
  http://example.com/foo/alt.html
• /bonzo/nifty#stuff
  =＆GT;
  http://example.com/bonzo/nifty#stuff
• //stackoverflow.com/questions/8110960/8110987#8110987（请注意缺少协议）
  =＆gt;＆gt; http://stackoverflow.com/questions/8110960/8110987#8110987
  （是的，really）

......等等。

Answer 2

在维基百科上，它只是引用页面上的一个部分（您当前正在使用），浏览器将向您滚动到锚点。 但是在某些网站上，比如推特。以我的帐户为例 http://twitter.com/#!/msundb（以及转发给它的http://twitter.com/msundb） 实际上只是twitter.com的根源。 ＃之后的一切！是在那里告诉页面上的javascript它应该加载什么内容。它甚至将链接rel规范设置为＆＃34; /＆＃34;告诉谷歌它是起始页（虽然它不是）。

所以你应该如何解释链接取决于你在做什么。