java - 如何优化这段丑陋的代码？

Question

前几天我提出了一个问题here ，但最后我决定自己做，因为时间问题，现在我有更多的时间来解决它:D我喜欢jSoup，但我有点老派，并且更喜欢自己做(感谢@Bakkal无论如何)。

我设法编写了这段代码，目前它工作正常，但是如果网页构造得不好，它会破坏代码，例如，如果它不以 http 开头，则代码将找不到它，并且如果网址不是以我放入的内容之一结尾，那么它将返回一个非常难看的地址..例如

http://www.google.com/ hey dude how are you? great, eating at jack's

我的结果是:

http://www.google.com/ hey dude how are you? great, eating at jack

我愿意接受任何建议，我将继续提出我的问题，然后发布代码

1. 如果我没有确切的结尾，代码就会中断
2. 如果我将空格“”作为分隔符，我将丢失地址中包含空格的所有页面
3. 我想捕获所有地址，而不仅仅是以 http 开头的地址，例如 www.google.com 是有效地址，contacts.google.com 也是有效地址

谢谢你所做的一切:D

File txtUrlSpecialFile = new File("pepe.txt");
            FileWriter txtUrlSpecial;
            txtUrlSpecial = new FileWriter(txtUrlSpecialFile);
            txtUrlSpecial.write(profundidad-1);

            for(int j=0;j<bigString.length()-5;j++){ //I put 5 but I can put more
                if(bigString.substring(j, j+4).equals("http")){
                    while(bigString.charAt(j)!='"' && bigString.charAt(j)!='<'&& bigString.substring(j, j)!="'"){
                        txtUrlSpecial.write(bigString.charAt(j));
                        j++;
                    }
                    txtUrlSpecial.write(SingletonFunction.getNewLine());
                }
            }
            txtUrlSpecial.close();

Answer 1

如果我理解正确的话，您正在尝试从 HTML 文件中从属性(例如“href”)和文本中试探性地提取 URL。

• 您希望它能够处理格式错误的 HTML
• 您希望它能够处理格式错误的网址；例如包含空格的网址
• 你不希望它犯任何错误；例如你的例子。

我告诉你，你的要求是不可能的。例如，应该从以下文本中提取什么内容:

Go to the URL http://example.com/ this and that.  And if that doesn't work, 
I recommend that you go read the http specification.

“这个和那个”是否应该是 URL 的一部分？你的软件应该如何解决这个问题？如果文档作者的意思与你的启发式所说的相反怎么办？那么“http 规范”呢……这显然不是 URL。

这是另一个稍微微妙的例子:

First, go to the URL http://example.com/index.html.
Then click on the "login" link.

您的软件是否应该提取“http://example.com/index.html .”或“http://example.com/index.html”？根据 URL 规范，两者都是有效的 URL。你的软件可能会去掉最后的“.”。因为它很可能是标点符号，但它可能是错误的。

我的建议:

1. 不要认为您可以比现有的宽松 HTML 解析器做得更好。无论你来自哪里，你能做到这一点的机会几乎为零。
2. 不要认为您的软件不会出错。 100% 的准确性要求您的软件能够读取文件创建者的想法。 (可以说，即使这样还不够。)
3. 注意网址出现的上下文。您需要使用不同的启发式方法从 HTML 属性和文本中提取 URL。
4. 准确注意什么是合法网址，什么不是合法网址。
5. 完整阅读并理解 HTML 和 URL/URI 规范的所有相关部分。虽然在格式错误的文档中犯错误是可以接受的，但无法从格式正确的 HTML 文档的属性中提取格式正确的 URL 是不可原谅的。