Ejemplo de expresión regular de Java que coincide con todas las URL y el texto de enlace en una página web

La copia del código es la siguiente:

import java.io.bufferedReader;

import java.io.ioException;

import java.io.inputstreamreader;

import java.net.malFormedUrexception;

import java.net.url;

import java.util.arrayList;

import java.util.hashmap;

import java.util.list;

import java.util.regex.matcher;

import java.util.regex.pattern;

import java.net.*;

import java.io.*;

import java.util.regex.*;

/*

Obtenga la regla especificada construyendo expresiones regulares

*/

URL de clase pública

{

starturl de cadena privada;

Cadena urlcontent;

String ContentArea;

Cadena privada Strareabegin, Strareaend;

cadena privada stringInUrl, stringNotInUrl;

Cadena strContent; // El contenido recopilado obtenido

Cadena [] Allurls;

Reglas privadas de cadena;

Urlandtitle Urlandtitle = New Urlandtitle ();

Public static void main (String [] args)

{

Urls myurl = new URLS ("<cuerpo", "/cuerpo>");

myurl.getstarturl ("http://www.zuzwn.com/");

myurl.getUrlContent ();

myurl.getContenerea ();

myurl.getstarturl ("http://www.zuzwn.com/");

myurl.getStringNotInUrl ("Google");

myurl.urls ();

//System.out.println("Starturl:"+Myurl.Starturl);

//System.out.println("urlContent:"+Myurl.urlContent);

//System.out.println("ContenerAea:"+Myurl.Contenerea);

}

// Inicializar a los constructores Strreebegin y Strareaend

URL públicas (String Strareabegin, String Strareaend)

{

this.Stareabegin = StrareBegin;

this.StarAEND = StrAREAEND;

}

//

URLS NUEVO PÚBLICO ()

{

int i = 0;

// string regex = "<a href ="? '? /?

String regex = "<a.*?/A>";

// string regex = "http: //.*?>";

Patrón PT = Pattern.compile (regex);

Matcher mt = pt.matcher (contentarea);

While (mt.find ())

{

System.out.println (mt.group ());

i ++;

// Obtén el título

Title de match = patrón.compile (">.*? </a>") .matcher (mt.group ());

While (title.find ())

{

System.out.println ("Título:"+Title.Group (). ReplaceAll ("> | </a>", ""));

}

// Obtener la URL

Matcher myUrl = Pattern.Compile ("href =.*?>"). Matcher (mt.group ());

Mientras (myurl.find ())

{

System.out.println ("Sitio web:"+myurl.group (). ReplaceAll ("href = |>", ""));

}

System.out.println ();

}

System.out.println ("Hay totales"+i+"resultados compatibles");

}

// Obtener el sitio web de la colección de inicio

public void getStarturl (string starturl)

{

this.starturl = starturl;

}

// Obtener el contenido donde se encuentra la URL;

public void getUrlContent ()

{

StringBuffer IS = new StringBuffer ();

intentar

{

Url myurl = nueva url (starturl);

BufferedReader BR = nuevo BufferedReader (

nuevo InputStreamReader (myurl.openStream ()));

Cadena S;

while ((s = br.readline ())! = nulo)

{

es.append (s);

}

urlContent = is.ToString ();

}

captura (excepción e)

{

System.out.println ("El archivo URL no se pudo emitir");

E.PrintStackTrace ();

}

}

// Obtener el área de correspondencia donde se encuentra la URL

Public void getContenerea ()

{

int pos1 = 0, pos2 = 0;

pos1 = urlContent.IndexOf (StrareBegin)+Strareabegin.Length ();

pos2 = urlContent.IndexOf (Strareaend, Pos1);

ContentArea = urlContent.Substring (pos1, pos2);

}

// Las siguientes dos funciones obtienen las palabras clave que debe contener la URL y las palabras clave que no se pueden incluir

// Solo se realizan experimentos preliminares aquí. En la etapa posterior, debe haber más de una palabra clave protegida y una palabra clave que no se puede incluir.

Public void getTringinurl (String StringInurl)

{

this.stringinurl = StringInurl;

}

Public void getTringNotInUrl (String StringNotinUrl)

{

this.StringNotInUrl = StringNotInUrl;

}

// Obtener las reglas de recopilación

// Obtener la URL

Public void getUrl ()

{

}

Cadena pública getRegex ()

{

RETURN REGEX;

}

clase Urlandtitle

{

Cadena myurl;

Título de cadena;

}

}