Java：我有一个很大的html字符串，需要提取href =“…”文本

Question

我有一个包含很大一部分html的字符串，并且正在尝试从字符串的href =“ ...”部分提取链接。 href可以采用以下形式之一：

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

我确实没有正则表达式的问题，但是由于某些原因，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中做过这些事情，但是在Java中我却以某种方式做错了什么。正在发生的事情是，每当我尝试打印它时，它都会打印整个html字符串...

编辑：以便每个人都知道我正在处理哪种字符串：

<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 ...我正在研究它，但是知道在这种情况下出了什么问题也很有趣...

Answer 1

.* 

这是一个贪婪的操作，它将使用包括引号在内的任何字符。

尝试类似：

"href=\"([^\"]*)\""

Answer 2

您发布的代码有两个问题：

首先，您的正则表达式中的.*是贪婪的。 这将使其匹配所有字符，直到找到最后一个"字符为止。您可以通过将其更改为.*?来使此匹配不贪心。

其次，要获取所有匹配项，您需要使用Matcher.find进行迭代，而不是查找组。 组使您可以访问正则表达式的每个括号部分。 但是，您每次都在寻找整个正则表达式匹配时。

将它们放在一起将为您提供以下代码，这些代码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));
}

Answer 3

正则表达式非常有用，但不适用于此特定目的。 通常，您要为此使用基于堆栈的解析器。 看一下Java HTML解析器API的jTidy 。

Answer 4

使用内置的解析器。 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。

Answer 5

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"));
}

Answer 6

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

Answer 7

"href=\\"(.*?)\\""也应该起作用，但是我认为Kugel的答案会更快。