如何使用正则expression式来parsingJava中的HTML？
请有人可以告诉我一个简单的方法来find一个HTML文件中使用正则expression式在Java中的href和src标签？
然后，如何获得与标签相关的url？
感谢您的任何build议。
使用正则expression式从HTML中提取值总是一个错误。 HTML语法要复杂得多，它可能首先出现，而且即使是非常复杂的正则expression式，页面也很容易find。
改用HTMLparsing器 。 另请参见领先的Java HTML分析器的优点和缺点是什么？
其他答案是真的。 Java正则expression式API不是实现您的目标的适当工具。 在其他答案中提到高效，安全和经过充分testing的高级工具。
如果你的问题涉及到正则expression式API而不是现实生活中的问题（例如学习目的） – 你可以用下面的代码来实现：
String html = "foo <a href='link1'>bar</a> baz <a href='link2'>qux</a> foo"; Pattern p = Pattern.compile("<a href='(.*?)'>"); Matcher m = p.matcher(html); while(m.find()) { System.out.println(m.group(0)); System.out.println(m.group(1)); } 输出是：
<a href='link1'> link1 <a href='link2'> link2
请注意，懒惰/不情愿的限定词*？ 必须使用为了减less分组到单个标签。 组0是整个比赛，组1是下一个组匹配（下一对括号）。
不要使用正则expression式使用NekoHTML或TagSoup这是提供SAX或DOM的桥梁，如XML方法访问HTML文档。
如果你想下去的HTMLparsing路线，哪个Dave和我推荐这里的代码parsing一个string数据的锚点标签和打印他们的href。
因为你只是使用锚点标签，你应该只是正则expression式好，但如果你想做更多去parsing器。 Mozilla的HTMLparsing器是最好的。
File parserLibraryFile = new File("lib/MozillaHtmlParser/native/bin/MozillaParser" + EnviromentController.getSharedLibraryExtension()); String parserLibrary = parserLibraryFile.getAbsolutePath(); // mozilla.dist.bin directory : final File mozillaDistBinDirectory = new File("lib/MozillaHtmlParser/mozilla.dist.bin."+ EnviromentController.getOperatingSystemName()); MozillaParser.init(parserLibrary,mozillaDistBinDirectory.getAbsolutePath()); MozillaParser parser = new MozillaParser(); Document domDocument = parser.parse(data); NodeList list = domDocument.getElementsByTagName("a"); for (int i = 0; i < list.getLength(); i++) { Node n = list.item(i); NamedNodeMap m = n.getAttributes(); if (m != null) { Node attrNode = m.getNamedItem("href"); if (attrNode != null) System.out.println(attrNode.getNodeValue());
我search了正则expression式库（ http://regexlib.com/Search.aspx?k=href和http://regexlib.com/Search.aspx?k=src ）
我发现的最好的是
((?<html>(href|src)\s*=\s*")|(?<css>url\())(?<url>.*?)(?(html)"|\))
查看更多expression式的这些链接：
http://regexlib.com/REDetails.aspx?regexp_id=2261
http://regexlib.com/REDetails.aspx?regexp_id=758
正则expression式只能parsing常规语言，这就是为什么他们被称为正则expression式。 HTML不是普通的语言，但是它不能被正则expression式parsing。
另一方面，HTMLparsing器可以parsingHTML，这就是为什么它们被称为HTMLparsing器的原因。
您应该使用您最喜爱的HTMLparsing器。
与stream行观点相反，正则expression式是从非结构化文本（即HTML）提取数据的有用工具。
如果您正在进行复杂的HTML数据提取（比如说，查找页面中的所有段落），那么HTMLparsing可能就是要走的路。 但是如果你只需要从HREF获得一些URL，那么正则expression式就可以正常工作，而且很难打破它。
尝试这样的事情：
/<a[^>]+href=["']?([^'"> ]+)["']?[^>]*>/i
