从 HTML 中获取 href 标签

Question

我有以下代码从正常工作的 XML 中获取 a href 标记网址：

Pattern p = Pattern.compile("<a[^>]+href\\s*=\\s*['\"]([^'\"]+)['\"][^>]*>");
Matcher m = p.matcher(xmlString);
while (m.find())
    imagesURLs.add(m.group(1));

我有以下：

<a href="http://...">some text</a>

上面的代码让我在m.group(0) 中获得<a href="http://..."> 和在m.group(1) 中的http://...。

我也想得到完整的<a href="http://...">some text</a>。

如何通过修改正则表达式来实现这一点？

Answer 1

所有关于使用正则表达式解析 html 的免责声明：你可以使用这个

(?is)(<a[^>]+href\s*=\s*(['"])([^'"]+)\2[^>]*>).*?</a>

1. 第 0 组是整场比赛：<a href="http://...">some text</a>
2. 第 1 组是开始标签：<a href="http://...">
3. 第 2 组是我添加的，以确保您的开盘报价与收盘报价相同。忽略它。 4 第 3 组是 url：http://...

查看this demo中的群组

如您所知，要在 Java 中使用，您需要转义一些字符。比如：

Pattern p = Pattern.compile("(?is)(<a[^>]+href\\s*=\\s*(['\"])([^'\"]+)\\2[^>]*>).*?</a>");