Java正则表达式如何高效提取HTML文本中的特定网址？

霞舞 2025-03-22 00:00:00 次阅读

java正则表达式高效提取html网址：实战指南

本文将演示如何使用Java正则表达式从HTML文本中提取特定网址。我们将以一个示例说明如何高效地完成这项任务。

问题： 从HTML文本中提取所有以"www."开头，并以".com"或".cn"结尾的网址。

示例HTML（包含网址）：

www.baidu.comwww.qq.comwww.aaa.cnwww.eee.cn

Java代码及正则表达式：

我们使用正则表达式www\.\w+(\.com|\.cn)

来匹配网址。 \w+ 匹配一个或多个字母数字字符，\. 匹配点号（需要转义），( ) 用于分组匹配".com"或".cn"。

String html = "www.baidu.comwww.qq.comwww.aaa.cnwww.eee.cn";
String reg = "www\\.\\w+(\\.com|\\.cn)"; // 注意此处需要转义反斜杠

Pattern pattern = Pattern.compile(reg, Pattern.CASE_INSENSITIVE);
Matcher matcher = pattern.matcher(html);

while (matcher.find()) {
    System.out.println(matcher.group());
}

运行结果：

www.baidu.com
www.qq.com
www.aaa.cn
www.eee.cn

代码说明：

Pattern.compile(reg, Pattern.CASE_INSENSITIVE)：编译正则表达式，CASE_INSENSITIVE标志使匹配不区分大小写。
pattern.matcher(html)：创建Matcher对象，用于在HTML文本中查找匹配项。
matcher.find()：查找下一个匹配项。
matcher.group()：返回匹配的子字符串。

重要提示：

对于复杂的HTML结构，使用正则表达式进行解析可能不够可靠，容易出现错误。对于更复杂的HTML解析，建议使用专业的HTML解析器库，例如Jsoup，以确保解析的准确性和稳定性。本例仅用于演示正则表达式的基本用法。