Java:У меня есть большая строка html, и мне нужно извлечь текст href =“...”
-
13-09-2019 - |
Вопрос
У меня есть эта строка, содержащая большой фрагмент html, и я пытаюсь извлечь ссылку из части строки href="...".Ссылка href может быть в одной из следующих форм:
<a href="..." />
<a class="..." href="..." />
На самом деле у меня нет проблем с регулярным выражением, но по какой-то причине, когда я использую следующий код:
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);
}
}
Кто-нибудь может сказать мне, что не так с моим кодом?Я сделал это на php, но в Java я почему-то делаю что-то не так...Что происходит, так это то, что он печатает всю html-строку целиком всякий раз, когда я пытаюсь ее распечатать...
Редактировать:Просто для того, чтобы все знали, с какой строкой я имею дело:
<a class="Wrap" href="item.php?id=43241"><input type="button">
<span class="chevron"></span>
</a>
<div class="menu"></div>
Каждый раз, когда я запускаю код, он печатает всю строку целиком...В этом-то и проблема...
И об использовании JTidy...Я занимаюсь этим, но было бы интересно узнать, что пошло не так и в этом случае...
Решение
.*
Это жадная операция, которая принимает любой символ, включая кавычки.
Попробуйте что-то вроде:
"href=\"([^\"]*)\""
Другие советы
С опубликованным вами кодом есть две проблемы:
Во-первых .*
в вашем регулярном выражении является жадным.Это приведет к тому, что он будет соответствовать всем символам до последнего. "
персонаж, которого можно найти.Вы можете сделать это совпадение нежадным, изменив его на .*?
.
Во-вторых, чтобы подобрать все совпадения, вам нужно продолжать итерацию с помощью Matcher.find
вместо того, чтобы искать группы.Группы предоставляют вам доступ к каждому разделу регулярного выражения, заключенному в круглые скобки.Однако вы ищете каждый раз, когда все регулярное выражение совпадает.
Объединив все это, вы получите следующий код, который должен делать то, что вам нужно:
Pattern p = Pattern.compile("href=\"(.*?)\"", Pattern.DOTALL);
Matcher m = p.matcher(innerHTML);
while (m.find())
{
System.out.println(m.group(1));
}
Regex — отличный инструмент, но он не подходит для этой конкретной цели.Обычно для этого вы хотите использовать парсер на основе стека.Взгляните на API-интерфейс синтаксического анализатора Java HTML, например jTidy.
Используйте встроенный синтаксический анализатор.Что -то вроде:
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();
}
Или используйте Parserc обратный вызов:
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);
}
}
}
Читателем может быть StringReader.
Еще один простой и надежный способ сделать это — использовать Джсуп
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"));
}
вы можете использовать библиотеку парсера HTML. аккуратный например, дает вам DOM-модель html, из которой вы можете извлечь все элементы «a» и прочитать их атрибут «href».
"href=\"(.*?)\""
тоже должно работать, но думаю, ответ Кугеля сработает быстрее.