7

我有这个包含大量 html 的字符串，并试图从字符串的 href="..." 部分中提取链接。href 可以是以下形式之一：

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

我对正则表达式并没有真正的问题，但由于某种原因，当我使用以下代码时：

        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，但是在 Java 中我做错了什么......发生的事情是，每当我尝试打印它时，它都会打印整个 html 字符串......

编辑：只是为了让每个人都知道我正在处理什么样的字符串：

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

每次我运行代码时，它都会打印整个字符串......这就是问题所在......

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也会很有趣......

4

7 回答 7

8 
.*

这是一个贪婪的操作，它将采用包括引号在内的任何字符。

尝试类似：

"href=\"([^\"]*)\""
于 2009-11-03T22:42:17.300 回答
6

您发布的代码有两个问题：

首先.*，你的正则表达式是贪婪的。这将导致它匹配所有字符，直到"可以找到的最后一个字符。您可以通过将其更改为.*?.

其次，要获取所有匹配项，您需要不断迭代Matcher.find而不是寻找组。组使您可以访问正则表达式的每个带括号的部分。但是，您每次都在寻找整个正则表达式匹配的时间。

将这些放在一起会为您提供以下代码，它应该可以满足您的需求：

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

while (m.find()) 
{
    System.out.println(m.group(1));
}
于 2009-11-03T22:48:33.310 回答
5

正则表达式很棒，但不是用于此特定目的的正确工具。通常，您希望为此使用基于堆栈的解析器。看看像jTidy这样的 Java HTML 解析器 API 。

于 2009-11-03T22:45:56.183 回答
5

使用内置解析器。就像是：

    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。

于 2009-11-03T23:26:58.723 回答
4

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"));
}
于 2011-12-31T01:53:23.277 回答
2

您可以使用 html 解析器库。例如， jtidy为您提供了 html 的 DOM 模型，您可以从中提取所有“a”元素并读取它们的“href”属性

于 2009-11-03T22:51:29.090 回答
1

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

于 2009-11-03T22:46:35.527 回答