java - 只获取html中的href内容和src内容

Question

我想知道如何从 html 内容中仅提取 href 和 src 内容。 我尝试了正则表达式，但失败了。

这是我想要从中获取 href 和 src 内容的文本:

<a href="http://rdmobile.fr/blog/mobile-la-pub-consomme-plus-que-les-applications-elles-memes/"><img align="left" hspace="5" width="150" height="150" src="http://rdmobile.fr/blog/wp-content/uploads/2012/03/angry-birds-150x150.jpg" class="alignleft tfe wp-post-image" alt="angry-birds" title="angry-birds" /></a>Si vous aussi vous vous étonnez de voir votre batterie fondre comme neige au soleil dès lors que jouez à Angry Birds, rassurez-vous, c’est normal. Des chercheurs de l&#8217;université de Purdue se sont intéressés aux publicités destinées majoritairement aux applications gratuites, et oui, comment les développeurs mangent-ils autrement ? Plus sérieusement, cette étude, publiée sur le [...]

我想提取这样的数据。

引用内容:http://rdmobile.fr/blog/mobile-la-pub-consomme-plus-que-les-applications-elles-memes/ 源内容:http://rdmobile.fr/blog/wp-content/uploads/2012/03/angry-birds-150x150.jpg

谁能帮我解决这个问题，我也喜欢学习基本的正则表达式。

谢谢， 伊苏鲁

Answer 1

像 JSoup 这样的 DOM 解析器 非常适合此类问题，并且允许与文档直接交互并使用 CSS 样式选择器:

Document document = Jsoup.connect(url).get();
Elements elementsWithSrcAttributes = document.select("[src]");
Elements elementsWithHrefAttributes = document.select("[href]");

for (Element element: elementsWithSrcAttributes) {
    System.out.println("src content: " + element.attr("src"));
}

for (Element element: elementsWithHrefAttributes) {
    System.out.println("href content: " + element.attr("href"));
}