基础算法7：使用正则提取网页中a标签的链接和标题

先放出测试代码，然后再对几个关键点进行简单解释

package test;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Test1 {

public static void main(String[] args) {
String str1 = "<a href=\"http://www.zifangsky.cn/2015/10/hello-world/\" title=\"\" data-original-title=\"Hello World\">Hello World</a>";
String str2 = "<a href=\"http://banzhuanboy.com/363.html\" class=\"post-feature\" \">123</a>";
String str3 = " <a class=\"article-title\" href=\"/2015/12/17/Webstorm-Hotkeys-For-Mac/\">c</a>";
String str4 = " <a rel=\"bookmark\" title=\"Permanent Link to  黑客组织‘SkidNP’涂改了Phantom Squad的网站首页\" href='12/hack-30127.htm'>黑</a>";
String str5 = "<a href=\"http://www.imorlin.com/2015/12/24/1-3/\" title=\"\" data-original-title=\"2015圣诞节雪花代码[天猫+C店]\"> 2015圣诞节雪花代码[天猫+C店] <span class=\"label label-new entry-tag\">New</span> </a>";

Pattern pattern = Pattern.compile("<a.*?href=[\"']?((https?://)?/?[^\"']+)[\"']?.*?>(.+)</a>");
Matcher matcher = pattern.matcher(str1);
if(matcher.find()){
String link = matcher.group(1).trim();
String title = matcher.group(3).trim();
if(!link.startsWith("http")){
if(link.startsWith("/"))
link = "http://www.zifangsky.cn" + link;
else
link = "http://www.zifangsky.cn" + link;
}
System.out.println("link: " + link);
System.out.println("title: " + title);
}

}

}

解释：1 选取了几个有代表性的a标签样式进行测试2 关于正则匹配模式”<a.*?href=[\”‘]?((https?://)?/?[^\”‘]+)[\”‘]?.*?>(.+)</a>“的说明：i)<a.*?href= <a开头，中间紧跟着有0个或者多个字符，然后再跟着href= ii)[\”‘]?((https?://)?/? 一个或者0个的” 或者 ‘ ，然后再跟着0个或者一个的http://或者https:// ，再跟着0个或者1个的 /iii)[^\”‘]+ 表示1个以上的不包括’或者” 的任意字符iv)[\”‘]?表示链接后面的’或者” 当然也可能没有后面的可以根据前面的自己推理，就不解释了3 matcher.group(1)表示取出链接，也就是第二个()的内容（PS：第一个()表示的是整个正则表达式，默认省略了），在正则中是这一段规则：((https?://)?/?[^\”‘]+)4 matcher.group(3) 同理可知，对应的是这一段规则：(.+)5 对于代码中的http://www.zifangsky.cn ，这是由于部分链接使用了相对路径，比如说：href=’12/hack-30127.htm’ 。这时我们就需要加上它的域名，当然需要根据实际情况来加。这里我就随便乱加了