如何调整此正则表达式以过滤掉“答案

【问题标题】：How can I adjust this regex to filter out "如何调整此正则表达式以过滤掉“
【发布时间】：2013-11-13 13:27:46
【问题描述】：

我得到以下正则表达式来搜索页面中的视频链接

(http(s?):/)(/[^/]+)\\S+.\\.(?:avi|flv|mp4)

不幸的是，如果后面有另一个匹配项，例如这个视频链接，它不会在链接末尾停止

<a href="http://somevideo.flv">somevideoname.avi</a>

在正则表达式之后会返回这个：

http://somevideo.flv">somevideoname.avi

如何调整正则表达式以避免这种情况？我想了解更多关于正则表达式的知识，它很迷人但又很复杂！

【问题讨论】：

您想只查找来自<a href=".."> 的链接，还是查找来自<span>http://someMovie.flv</span> 等文本内容的链接？
那么正则表达式不是正确的工具。您应该使用 HTML 解析器，例如 JSoup。

标签： java html regex hyperlink

【解决方案1】：

我不确定我是否理解您的正则表达式中的分组。无论如何，这个应该可以工作：

\\bhttps?://[^\"]+?\\.(?:avi|flv|mp4)\\b

【讨论】：

这也会在<a href="http://someMovie1.avi">link1</a><span>http://someMovie2.mp4</span>中找到http://someMovie2.mp4
我的错，第二组有一个最大匹配。完全重写了正则表达式。

【解决方案2】：

如果您只想提取 href 属性值，那么您最好匹配以下模式：

href=("|')(.*?)\.(avi|flv|mp4)\1

这应该匹配 "href" 后跟双引号或单引号字符，然后捕获直到（包括）与起始引号字符匹配的下一个字符为止的所有内容。然后你的 href 属性可以被提取出来

matcher.group(2) + "." + matcher.group(3)

用句点和文件扩展名连接文件路径和名称。

【讨论】：

【解决方案3】：

你的正则表达式很贪心：

限制它的贪婪read this:

(http(s?):/)(/[^/]+?)\\S+.\\.(?:avi|flv|mp4)

【讨论】：

【解决方案4】：

以下是使用 JSoup 解析器执行类似操作的方法。

Scanner scanner = new Scanner(new File("input.txt"));
scanner.useDelimiter("\\Z");
String htmlString = scanner.next();
scanner.close();

Document doc = Jsoup.parse(htmlString);
// or to get connect of some page use
// Document doc = Jsoup.connect("http://example.com/").get();
Elements elements = doc.select("a[href]");//find all anchors with href attribute
for (Element el : elements) {
    URL url = new URL(el.attr("href"));
    if (url.getPath().matches(".*\\.(?:avi|flv|mp4)")) {
        System.out.println("url: " + url);
        //System.out.println("file: " + url.getPath());
        System.out.println("file name: "
                + new File(url.getPath()).getName());
        System.out.println("------");
    }
}

【讨论】：