尝试使用 Java 解析 HTML 目录列表中的链接答案

【问题标题】：Trying to parse links in an HTML directory listing using Java尝试使用 Java 解析 HTML 目录列表中的链接
【发布时间】：2011-08-18 01:35:30
【问题描述】：

请有人帮我从 HTML 页面解析这些链接

http://nemertes.lis.upatras.gr/dspace/handle/123456789/2299
http://nemertes.lis.upatras.gr/dspace/handle/123456789/3154
http://nemertes.lis.upatras.gr/dspace/handle/123456789/3158

我想使用这些链接中常见的“handle”字进行解析。

我正在使用命令[Pattern pattern = Pattern.compile("<a.+href=\"(.+?)\"");]，但它会解析我页面的所有href 链接。

有什么建议吗？
谢谢

【问题讨论】：

您是否尝试过显示您的比赛的第 1 组？

标签： java html parsing href

【解决方案1】：

看起来你的正则表达式做错了。而不是

Pattern pattern = Pattern.compile("<a.+href=\"(.+?)\"");

试试：

Pattern pattern = Pattern.compile("<a\\s+href=\"(.+?)\"");

第一个模式上的“a.+”至少匹配任何字符一次。如果您打算设置空格字符，请改用 '\s+'。

以下代码完美运行：

    String s = "<a href=\"http://nemertes.lis.upatras.gr/dspace/handle/123456789/2299\"/> " +
            "<a href=\"http://nemertes.lis.upatras.gr/dspace/handle/123456789/3154\" /> " +
            "<a href=\"http://nemertes.lis.upatras.gr/dspace/handle/123456789/3158\"/>";

    Pattern p = Pattern.compile("<a\\s+href=\"(.+?)\"", Pattern.MULTILINE);
    Matcher m = p.matcher(s); 
    while(m.find()){
        System.out.println(m.start()+" : "+m.group(1));
    }

输出：

0 : http://nemertes.lis.upatras.gr/dspace/handle/123456789/2299
72 : http://nemertes.lis.upatras.gr/dspace/handle/123456789/3154
145 : http://nemertes.lis.upatras.gr/dspace/handle/123456789/3158

【讨论】：

【解决方案2】：

您的正则表达式正在查看所有 <a href... 标记。 “handle”总是用作“/dspace/handle”等，所以你可以使用这样的东西来抓取你正在寻找的网址：

Pattern pattern = Pattern.compile("<a.+href=\"(/dspace/handle/.+?)\"");

【讨论】：