Alle URLs aus einer Zeile extrahieren?

[0001001]

Hallo zusammen,

ich suche nach einer Möglichkeit, aus einer Zeile alle Hyperlinks samt Text zu extrahieren und in eine Liste zu speichern.

Beispiel:
<li><a href="http://hosta.com">Host A</a> <a href="http://hostb.com" vod xid="15">Host B</a><a href="http://hostc.com" class="test">Host C</a> <a href="http://hostd.com" class="apid" vod>Host D</a></li>

Mein bisheriger Versuch:

while(text.indexOf("href=") != -1){
	String url = text.substring(text.indexOf("href=")+6, text.indexOf("\">"));	
	text = text.substring(text.indexOf("\">")+2);
	urls.add(url);
}

Das funktioniert aber nicht bei allen Hyperlinks, denn manche enden nicht auf "> sondern auf vod>

Wie könnte man das schöner machen?
Möglicherweise mit einer Regex?

Vielen Dank!

 

[woezelmann]

Java hat für so was die Scanner Klasse (obwohl ich auch lieber an den Strings rum-schnipple ) Ne regex dafür würde ungefähr so aussehen:

(href="){1}.+("){1}

evtl. musst du die Anführungsstriche mit nem Backslash escapen (lol) oder ein paar kleine Korreckturen vornehmen.

 

[woezelmann]

Natürlich könntest du das ganze auch in z.B. in dom4j laden, und dann über den "a"-tag iterieren und alle "href"-attribute holen.
Guckst du hier: dom4j - Quick Start Guide

 

[musiKk]

Der Ausdruck von oben beginnt beim ersten Link, rennt bis zu den letzten Anführungsstrichen und gekonnt hat man damit auch nix, weil da keine Gruppe drum ist.
Sowas wie das dürfte es eher treffen: [c]"href=\"([^\"]*)"[/c]. Funktioniert natürlich nicht, wenn der URL Anführungsstriche enthält, aber das kommt ja eher selten vor. Wenn man sichergehen möchte, muss so eine Lösung wie vom woezelmann her.

 

[Ebenius]

Funktioniert natürlich nicht, wenn der URL Anführungsstriche enthält, aber das kommt ja eher selten vor. Wenn man sichergehen möchte, muss so eine Lösung wie vom woezelmann her.

Quotes werden in URLs als escape sequence dargestellt: [c]%22[/c]. Was ist mit Single Quotes, sind die in HTML nicht als Ersatz für Double Quotes zulässig?

Ebenius

 

[musiKk]

Laut RFC gehört " nicht zu den reservierten Zeichen. Allerdings ist mir nicht bekannt, was z. B. die Klammern für eine besondere Bedeutung haben. Die tauchen ja auch immer mal wahllos in URLs auf und das scheint keinen zu stören. Vielleicht ist bei URLs auch alles anders, das RFC beschäftigt sich ja mit URIs. Nur ist mir das ewige Recherchieren immer zu umständlich, wenn ichs nicht selbst brauche (oder mich grad brennend interessiert).
Und laut Wikipedia sind auch single quotes zulässig.
Also müsste man noch den Fall beachten, dass single quotes fürs HTML und ein double quote im URL sind... heiei... ist das kompliziert.

 

[Ebenius]

In jedem Fall ist der Double Quote Character in HTML als Entität definiert und sollte sich auch in einem Parameter als [c]&quot;[/c] ausdrücken lassen. Oder nicht? Der Opera übersetzt mir das ([c]<a href="abc&quot;def">test</a>[/c]) zumindest anstandslos nach [c]abc%22def[/c].

Ebenius