正则表达式从 HTML 中提取链接 [重复]答案

【问题标题】：Regex to extracting links from HTML [duplicate]正则表达式从 HTML 中提取链接 [重复]
【发布时间】：2010-08-10 19:36:31
【问题描述】：

可能重复：
Extract text and links from HTML using Regular Expressions

给定一个包含 HTML 的字符串，例如：

       <td scope="row">1</td> 
        <td scope="row"></td> 
        <td scope="row"><a href="/Archives/directory.htm">directoryfile.htm</a></td> 
        <td scope="row">directoryfile</td> 
        <td scope="row">104569</td> 
     </tr> 
     <tr class="blueRow"> 
        <td scope="row">2</td> 
        <td scope="row"></td> 
        <td scope="row"><a href="/Archives/historicaldata.htm</a></td> 
        <td scope="row">historicaldata</td> 
        <td scope="row">40361</td> 
     </tr> 
     <tr> 
        <td scope="row">&nbsp;</td> 
        <td scope="row"><span class="blue">Complete submission text file</span></td> 
        <td scope="row"><a href="/Archives/businessagenda.txt</a></td> 
        <td scope="row">businessagenda;</td> 
        <td scope="row">146701</td>

我只想使用正则表达式获取历史数据的链接。但是，我的程序似乎没有找到链接，并且我没有看到问题，因为正则表达式适用于测试仪。大家看看有什么问题吗？

我知道正则表达式不是与 HTML 一起使用的最佳选择，但我只是想尝试一下。谢谢大家！

模式数据 = Pattern.compile("Archives.*\s.*historicaldata");
匹配器 test1= data.matcher(inputHTML);

而 (test1.find()) {
System.out.println("测试：现在匹配"); // 不打印
}

【问题讨论】：

鸭子，在“ARRGGH！用正则表达式解析 Html！”之前人群向你扔鞋。
太晚了，shoe's already been thrown
我会看到您的“使用正则表达式解析 html”，并提出“布局表”、“以颜色命名的 css 类”和“文件名中的 .htm 而不是 .html”

标签： regex

【解决方案1】：

如果你只是想匹配 'Archives\historicaldata' 那么你的正则表达式字符串应该是 "Archives\/historicaldata"其实你可以用"Archives/historicaldata"

【讨论】：

【解决方案2】：

在你的模式"Archives.*\s.*historicaldata"

Pattern data = Pattern.compile("Archives.*\s.*historicaldata");

\s 表示空格[1]，由于"/Archives/directory.htm" 中没有空格，因此不匹配。试试吧

Pattern data = Pattern.compile("Archives.*historicaldata");

[1] "\s" 也不正确 - 要在模式中得到它，您必须转义反斜杠，使其变为 "Archives.*\s.*historicaldata"

【讨论】：