Регулярное выражение для парсинга ссылок от веб-страницы?
Многие объяснения уже присутствуют, чтобы объяснить, как это происходит и как это исправить, но вы также должны следовать рекомендациям, чтобы избежать NullPointerException вообще.
См. также: A хороший список лучших практик
Я бы добавил, очень важно, хорошо использовать модификатор final. Использование "окончательной" модификатор, когда это применимо в Java
Сводка:
- Используйте модификатор
finalдля обеспечения хорошей инициализации. - Избегайте возврата null в методы, например, при возврате пустых коллекций.
- Использовать аннотации
@NotNullи@Nullable - Быстрое завершение работы и использование утверждений, чтобы избежать распространения нулевых объектов через все приложение, когда они не должен быть пустым.
- Сначала используйте значения с известным объектом:
if("knownObject".equals(unknownObject) - Предпочитают
valueOf()поверх toString (). - Используйте null safe
StringUtilsStringUtils.isEmpty(null).
8 ответов
((mailto\:|(news|(ht|f)tp(s?))\://){1}\S+)
я взял это от regexlib.com
[примечание редактора: эти {1} не имеет никакой реальной функции в этом regex; см. это сообщение ]
из библиотеки RegexBuddy:
URL: Найдите в полном тексте
, класс последнего символа удостоверяется, что, если URL является частью некоторого текста, пунктуация, такая как запятая или точка после того, как URL не интерпретируется как часть URL.
\b(https?|ftp|file)://[-A-Z0-9+&@#/%?=~_|!:,.;]*[-A-Z0-9+&@#/%=~_|]
Посмотрите на спецификацию URI. Это могло помочь Вам много. И насколько производительность идет, можно в значительной степени извлечь все ссылки HTTP в скромной веб-странице. Когда я говорю скромный, я определенно не имею в виду одну страницу все затрагивание руководства HTML как этот руководства ELisp. Также производительность является раздражительной темой. Мой совет состоял бы в том, чтобы измерить Ваш уровень и затем решить, собираетесь ли Вы извлечь все ссылки с помощью одного единственного regex или с несколькими более простыми regex выражениями.
С Пакет Гибкости HTML , можно использовать:
HtmlDocument doc = new HtmlDocument();
doc.Load("file.htm");
foreach(HtmlNode link in doc.DocumentElement.SelectNodes("//a@href")
{
Response.Write(link["href"].Value);
}
doc.Save("file.htm");
Весь HTTP и MAILTO's
(["'])(mailto:|http:).*?\1
Все ссылки, включая относительные, которые называют href или src.
#Matches things in single or double quotes, but not the quotes themselves
(?<=(["']))((?<=href=['"])|(?<=src=['"])).*?(?=\1)
#Maches thing in either double or single quotes, including the quotes.
(["'])((?<=href=")|(?<=src=")).*?\1
второй только доберется, Вы связываете то использование двойные кавычки, как бы то ни было.
У меня нет времени, чтобы попытаться думать о regex, который, вероятно, не будет работать, но я хотел прокомментировать, что необходимо совершенно определенно разбить regex, по крайней мере, если это добирается до этот уровень уродства :
(?:(?:\r\n)?[ \t])*(?:(?:(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t]
)+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:
\r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(
?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[
\t]))*"(?:(?:\r\n)?[ \t])*))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\0
....*SNIP*....
*))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])
+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*)(?:\
.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z
|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*))*\>(?:(
?:\r\n)?[ \t])*))*)?;\s*)
(это, предположительно, соответствует адресам электронной почты)
Редактирование: Я не могу даже соответствовать ему на одном сообщении, это настолько противно....
Это получит URL от всех теги, пока автор HTML использовал кавычки:
<a[^>]+href="([^"]+)"[^>]*>
я сделал пример здесь .
URL? Как в изображениях/сценариях/CSS/и т.д.?
%href="(.["]*)"%