基础算法7：使用正则提取网页中a标签的链接和标题

先放出测试代码，然后再对几个关键点进行简单解释

packagetest;

importjava.util.regex.Matcher;
importjava.util.regex.Pattern;

publicclassTest1{

	publicstaticvoidmain(String[]args){
		Stringstr1="<ahref="http://www.zifangsky.cn/2015/10/hello-world/"title=""data-original-title="HelloWorld">HelloWorld</a>";
		Stringstr2="<ahref="http://banzhuanboy.com/363.html"class="post-feature"">123</a>";
		Stringstr3="<aclass="article-title"href="/2015/12/17/Webstorm-Hotkeys-For-Mac/">c</a>";
		Stringstr4="<arel="bookmark"title="PermanentLinkto黑客组织‘SkidNP’涂改了PhantomSquad的网站首页"href='12/hack-30127.htm'>黑</a>";
		Stringstr5="<ahref="http://www.imorlin.com/2015/12/24/1-3/"title=""data-original-title="2015圣诞节雪花代码[天猫+C店]">2015圣诞节雪花代码[天猫+C店]<spanclass="labellabel-newentry-tag">New</span></a>";
		
		Patternpattern=Pattern.compile("<a.*?href=["']?((https?://)?/?[^"']+)["']?.*?>(.+)</a>");
		Matchermatcher=pattern.matcher(str1);
		if(matcher.find()){
			Stringlink=matcher.group(1).trim();
			Stringtitle=matcher.group(3).trim();
			if(!link.startsWith("http")){
				if(link.startsWith("/"))
					link="http://www.zifangsky.cn"+link;
				else
					link="http://www.zifangsky.cn"+link;	
			}
			System.out.println("link:"+link);
			System.out.println("title:"+title);
		}
		
		
		

	}

}

解释：

1 选取了几个有代表性的a标签样式进行测试

2 关于正则匹配模式”<a.*?href=[”‘]?((https?://)?/?[^”‘]+)[”‘]?.*?>(.+)</a>“的说明：

i)<a.*?href= <a开头，中间紧跟着有0个或者多个字符，然后再跟着href=

ii)[”‘]?((https?://)?/? 一个或者0个的” 或者 ‘ ，然后再跟着0个或者一个的http://或者https:// ，再跟着0个或者1个的 /

iii)[^”‘]+ 表示1个以上的不包括’或者” 的任意字符

iv)[”‘]?表示链接后面的’或者” 当然也可能没有

后面的可以根据前面的自己推理，就不解释了

3 matcher.group(1)表示取出链接，也就是第二个()的内容（PS：第一个()表示的是整个正则表达式，默认省略了），在正则中是这一段规则：((https?://)?/?[^”‘]+)

4matcher.group(3) 同理可知，对应的是这一段规则：(.+)

5 对于代码中的http://www.zifangsky.cn ，这是由于部分链接使用了相对路径，比如说：href=’12/hack-30127.htm’ 。这时我们就需要加上它的域名，当然需要根据实际情况来加。这里我就随便乱加了

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!