从具有类型的字符串中提取 url答案

【问题标题】：Extract urls from string with type从具有类型的字符串中提取 url
【发布时间】：2011-12-07 17:50:13
【问题描述】：

我正在尝试从字符串中提取 url，它们不是标准化的，所以有些在 href 标记中，而另一些则在它们自己的内部。

我还需要按类型对它们进行排序，例如以下字符串：

var txt1: String = "Some text! <a href="http://www.google.com/test.mp3">MP3</a>"
var txt2: String = "Some text! <a href="http://www.google.com/test.jpg">IMG</a>"
var txt3: String = "Some more! <a href="http://www.google.com/">Link!</a>"

所以这些字符串都是串联的并包含 3 个 url，我正在寻找类似以下内容的内容：

var result: List = List(

    "mp3" -> List("http://www.google.com/test.mp3"),
    "img" -> List("http://www.google.com/test.jpg"),
    "url" -> List("http://www.google.com/")
)

我已经研究过正则表达式，但只是在没有定义类型的情况下提取了 href，而且这也不会在标签之外自行检索 url

val hrefRegex = new Regex("""\<a.*?href=\"(http:.*?)\".*?\>.*?\</a>""");
val hrefs:List[String]= hrefRegex.findAllIn(txt1.mkString).toList;

非常感谢任何帮助，在此先感谢:)

【问题讨论】：

你应该使用像 jsoup 这样的 HTML 解析器。
谢谢Kim，你知道有什么文章可以让我开始吗？依赖项、导入等？

标签： regex url scala hyperlink lift

【解决方案1】：

假设val txt = txt1 + txt2 + txt3，您可以将文本作为字符串包装到 xml 元素中，然后将其解析为 XML 并使用 xml 标准库来提取锚点。

// can do other cleanup if necessary here such as changing "link!"
def normalize(t: String) = t.toLowerCase()

val txtAsXML = xml.XML.loadString("<root>" + txt + "</root>")
val anchors = txtAsXML \\ "a"
// returns scala.xml.NodeSeq containing the <a> tags

然后你只需要发布流程，直到你按照你想要的方式组织数据：

val tuples = anchors.map(a => normalize(a.text) -> a.attributes("href").toString)
// Seq[String, String] containing elements
// like "mp3" -> http://www.google.com/test.mp3

val byTypes = tuples.groupBy(_._1).mapValues(seq => seq.map(_._2))
// here grouped by types:
// Map(img -> List(http://www.google.com/test.jpg), 
//     link! -> List(http://www.google.com/),
//     mp3 -> List(http://www.google.com/test.mp3))

【讨论】：