Question

如何用Java正则表达式提取html中所有的文本和超链接，然后分别存入txt文件和数据库中

就是对html文件的一种预处理，做搜索引擎索引那块要用到的

Answer 1

您好，您这样：提取链接的标签文本和url地址
将Html文件代码传入string参数s，代码如下：

private void Reg_A_Href(string s)
{
string str = s;
Regex re = new Regex(@"<a[^>]+href=\s*(?:'(?<href>[^']+)'|""(?<href>[^""]+)""|(?<href>[^>\s]+))\s*[^>]*>(?<text>.*?)</a>", RegexOptions.IgnoreCase | RegexOptions.Singleline);

MatchCollection mc = re.Matches(str);
Console.WriteLine(mc.Count);
foreach (Match m in mc)
{
info_Add("[href] " + m.Groups["href"].Value);
info_Add("[text] " + m.Groups["text"].Value);
Console.WriteLine("{0}:{1}", m.Groups["href"].Value, m.Groups["text"].Value);
}

}