java - 正则表达式，从 HTML 中提取具有特殊名称的 href 属性

Question

例如有这样一个字符串:

<a href="LINK_1" class="am"> Some Text</a>.. ANYTHING ..<a href="LINK_2" class="am"> Some Text</a><a href="SEARCHED_HREF_TO_EXTRACT" class="am"> SEARCHED_TEXT</a>..

我需要从一个 HTML 链接中提取一个“href”属性值，从一个包含一些搜索词的链接中提取，例如“SEARCHED_TEXT”。能否请您指教，如何正确地做到这一点？不会问是否已经发送了很多时间 =)

我做到了这一点，但不幸的是它无法正常工作..

String str = "<a href=\"LINK_1\" class=\"am\"> Some Text</a>.. ANYTHING ..<a href=\"LINK_2\" class=\"am\"> Some Text</a><a href=\"SEARCHED_HREF_TO_EXTRACT\" class=\"am\"> SEARCHED_TEXT</a>";
Pattern pattern = Pattern.compile("<a.*?href=\"(.*?)\".*SEARCHED_TEXT</a>");
Matcher matcher = pattern.matcher(str);

while (matcher.find()) {
    System.out.println(matcher.group(0)); // matched whole string
    System.out.println(matcher.group(1)); // should be SEARCHED_HREF_TO_EXTRAC

我看到我需要在 href="(.*?)"之后进行一些协商以接受除

之外的所有符号

</a>

找到正确的 HREF，但无法使其工作 :(

Answer 1

不要在这里使用正则表达式，因为它不是处理嵌套结构的合适工具(最后是 Java 中使用的正则表达式风格，因为它不支持递归)，如 HTML/XML
(更多信息:Can you provide some examples of why it is hard to parse XML and HTML with a regex?)。

合适的工具是 HTML/XML 解析器。我可能会选择 jsoup因为它的简单性和 CSS 查询支持。

因此您的代码可能如下所示:

String html = "<a href=\"LINK_1\" class=\"am\"> Some Text</a>.. ANYTHING ..<a href=\"LINK_2\" class=\"am\"> Some Text</a><a href=\"SEARCHED_HREF_TO_EXTRACT\" class=\"am\"> SEARCHED_TEXT</a>";
Document doc = Jsoup.parse(html);
Elements links = doc.select("a:contains(SEARCHED_TEXT)"); //contains is case-insensitive
System.out.println(links.attr("href"));

或者如果您希望找到许多链接，遍历找到的元素并从每个元素中获取 href 属性:

for(Element link : links){
    System.out.println(link.attr("href"));
}