使用Java从html中提取锚标记

Question

我在文本中有几个锚标签,

输入: <a href="http://stackoverflow.com" >Take me to StackOverflow</a>

输出: http://stackoverflow.com

如何在不使用第三方API的情况下找到所有这些输入字符串并将其转换为java中的输出字符串？

Answer 1

核心API中有一些类可用于href从锚标记中获取所有属性(如果存在!):

import java.io.*;
import java.util.*;
import javax.swing.text.*;
import javax.swing.text.html.*;
import javax.swing.text.html.parser.*;

public class HtmlParseDemo {
   public static void main(String [] args) throws Exception {

       String html =
           "<a href=\"http://stackoverflow.com\" >Take me to StackOverflow</a> " +
           "<!--                                                               " +
           "<a href=\"http://ignoreme.com\" >...</a>                           " +
           "-->                                                                " +
           "<a href=\"http://www.google.com\" >Take me to Google</a>           " +
           "<a>NOOOoooo!</a>                                                   ";

       Reader reader = new StringReader(html);
       HTMLEditorKit.Parser parser = new ParserDelegator();
       final List<String> links = new ArrayList<String>();

       parser.parse(reader, new HTMLEditorKit.ParserCallback(){
           public void handleStartTag(HTML.Tag t, MutableAttributeSet a, int pos) {
               if(t == HTML.Tag.A) {
                   Object link = a.getAttribute(HTML.Attribute.HREF);
                   if(link != null) {
                       links.add(String.valueOf(link));
                   }
               }
           }
       }, true);

       reader.close();
       System.out.println(links);
   }
}

将打印:

[http://stackoverflow.com, http://www.google.com]

Answer 2

您可以使用JSoup

String html = "<p>An <a href=\"http://stackoverflow.com\" >Take me to StackOverflow</a> link.</p>";
Document doc = Jsoup.parse(html);
Element link = doc.select("a").first();

String linkHref = link.attr("href"); // "http://stackoverflow.com"

另请参阅

• 例子

Answer 3

public static void main(String[] args) {
    String test = "qazwsx<a href=\"http://stackoverflow.com\">Take me to StackOverflow</a>fdgfdhgfd"
            + "<a href=\"http://stackoverflow2.com\">Take me to StackOverflow2</a>dcgdf";

    String regex = "<a href=(\"[^\"]*\")[^<]*</a>";

    Pattern p = Pattern.compile(regex);

    Matcher m = p.matcher(test);
    System.out.println(m.replaceAll("$1"));
}

注意：所有 Andrzej Doyle 的观点都是有效的，如果您的输入比简单的多<a href="X">Y</a>，并且您确定这是可解析的 HTML，那么您最好使用 HTML 解析器。

总结一下：

1. 如果您发表评论，我发布的正则表达式将不起作用<a>。（您可以将其视为特殊情况）
2. 如果标签中有其他属性，则它不起作用<a>。（同样，您可以将其视为特殊情况）
3. 还有许多其他情况正则表达式不起作用，并且您不能用正则表达式涵盖所有这些情况，因为 HTML 不是常规语言。

但是，如果您的请求始终替换<a href="X">Y</a>为"X"而不考虑上下文，那么我发布的代码将起作用。