Parser HTML

[Bayer]

Hallo zusammen,
Sitze schon den ganzen Tag darüber wie ich folgendes Problem löse:
ich versuche aus einer HTML Seite die Links herauszulesen. Den Text bekomm ich aber nicht den Link.
z.B. starten starten!
Ich möchte den String "http://irgendwas.de/blabla.html" auslesen und nicht starten starten! ....
:bahnhof: :bahnhof:
Kann mir jemand helfen?! Danke

 

[Gelöschtes Mitglied 5909]

wenn du es gescheid machst verwende einene XML parser, ansonsten verwende regex

 

[dieta]

Wie wär's so:

String input = ...;
String[] ahs = input.split("<a href=\"");
String[] links = new String[ahs.length-1];
for(int i=1; i<ahs.length; i++)
{
    links[i-1] = (ahs[i].split("\"))[0];
}

Ist ungetestet, sollte aber funzen.

 

[moormaster]

Und was ist dann mit Links, die <A HREF..., <A STYLE="..." HREF=..., ... aussehen? Mit <a href=... findet man doch nur einen Bruchteil aller Links.

 

[Bayer]

Danke für den Tipp,
ich verwende bereits einen HTML Parser der liefert mir eben nur starten starten! zurück und nicht den eigentlichen Link.
Gibt es da eine extra Funktion die mir den Link ausliest?

 

[byte]

Wie wärs, wenn Du mal sagst, welchen HTML Parser du verwendest. Wir können ja nicht hellsehen. Standardmäßig gibts da afaik nix.

 

[EOB]

hilft dir das weiter?

gruesse

 

[Bayer]

http://htmlparser.sourceforge.net/ <-- hier habe ich den Parser gedownloaded und mit der Zeile bekomme ich den Text:

list = aparser.parse(new HasAttributeFilter("a"));

Wie funktioniert das mit dem Regex? Ist das arg kompliziert? Kenne mich damit nicht so aus.

Aber schon mal danke für die Tipps!!

 

[Oskar]

Probier mal den LinkClassFilter
anstelle des HasAttributeFilter.
Dem Filter gibst du dann mit, dass du nur Nodes vom Typ LinkTag mit.

Dann müsstest du über die Elemente in der NodeList, die dann alle LinkTags sind per myLinkTag.getLink() an den Inhalt im href rankommen.

Pseudocode (Schuss ins Blaue bitte nicht einfach übernehmen es geht nur um das Prinzip):

NodeFilter myFilter = new NodeClassFilter(LinkTag.class); //erstellt filter für LinkTags im Dokument
String myHref;
Parser myParser = new Parser(); //keine Ahnung wie der instanziert wird.
NodeList myList = new NodeList();
LinkTag myTag;

myList = myParser.parse(myFilter);

for(Iterator it = myList.iterator(); it.hasNext();){
     myTag = (LinkTag)it.next(); //cast des aktuellen NodeList Elements auf LinkTag
     myHref = myTag.getLink();
     System.out.println(myHref); 
}

So far. Hope that helps.
Cheers

 

[Bayer]

Vielen vielen Dank!!
Nur noch eine Frage, was genau macht
myList.iterator()
denn vom Datentype NodeList gibt es keine Funktion mit dem Namen iterator. Im Internet hab ich bis jetzt auch noch nicht gefundden, aber ich werde weitersuchen.
Danke schon mal!!

 

[Bayer]

Habs hinbekommen! Vielen Vielen vielen tausend dank!!!