使用Java的完整链接提取

Question

我的目标是在从链接读取href属性时始终获取相同的字符串（在我的情况下为URI）。举例：假设认为，一个HTML文件，它有一个像somany链接
a href="index.html">，但基本域是http://www.domainname.com/index.html
a href="../index.html">但基本域是http://www.domainname.com/dit/index.html
如何我可以正确获取所有链接意味着完整链接包括域名吗？
我如何在Java中做到这一点？
输入是HTML，也就是说，需要从一堆HTML代码中提取正确的链接

Answer 1

您可以使用像Jsoup这样的功能强大的HTML解析器来执行此操作。有一个Node#absUrl()这不正是你想要的东西。

package com.stackoverflow.q3394298;

import java.net.URL;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;

public class Test {

    public static void main(String... args) throws Exception {
        URL url = new URL("https://stackoverflow.com/questions/3394298/");
        Document document = Jsoup.connect(url).get();
        Element link = document.select("a.question-hyperlink").first();
        System.out.println(link.attr("href"));
        System.out.println(link.absUrl("href"));
    }

}

它会为您当前问题的标题链接打印（正确）以下内容：

/ questions / 3394298 / full-link-extraction-using-java
https://stackoverflow.com/questions/3394298/full-link-extraction-using-java

为了您的目的，Jsoup可能还有其他（未发现的）优势。

更新 ：如果要选择文档中的 所有 链接，请执行以下操作：

        Elements links = document.select("a");
        for (Element link : links) {
            System.out.println(link.attr("href"));
            System.out.println(link.absUrl("href"));
        }