Java正则表达式：高效提取文本中的特定URL
在Java开发中，从大量文本数据中提取符合特定模式的内容是常见需求。正则表达式为此提供了高效的解决方案。本文将通过示例演示如何使用Java正则表达式从HTML文本中提取特定URL。
问题： 从HTML文本中提取所有以"www."开头，并以".com"或".cn"结尾的URL。
示例及解析：
立即学习“Java免费学习笔记（深入）”；
由于提供的HTML文本片段<p>++++++++++++++++++++++++++++++++++++++++++++<br>++++++++++++++++++++++++++++++++++++++++++++</p><div class="aritcle_card flexRow">
<div class="artcardd flexRow">
<a class="aritcle_card_img" href="/xiazai/code/11413" title="AI舌诊面诊问诊医疗系统+诊疗商城系统源码"><img
src="https://img.php.cn/upload/webcode/000/000/000/6a5591f290d1f849.png" alt="AI舌诊面诊问诊医疗系统+诊疗商城系统源码" ></a>
<div class="aritcle_card_info flexColumn">
<a href="/xiazai/code/11413" title="AI舌诊面诊问诊医疗系统+诊疗商城系统源码">AI舌诊面诊问诊医疗系统+诊疗商城系统源码</a>
<p>AI 舌诊面诊问诊医疗系统 + 诊疗商城系统源码是一套结合 AI 辅助诊断与商品转化的健康类程序，基于浩创云、ThinkPHP（PHP）开发，支持微信服务号与 H5 端，适合做中医舌诊面诊问答、健康建议推送以及配套诊疗商品的运营。</p>
</div>
<a href="/xiazai/code/11413" title="AI舌诊面诊问诊医疗系统+诊疗商城系统源码" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a>
</div>
</div>不包含目标URL，我们将使用一个更合适的示例：
String html = "<a>www.baidu.com</a><a>www.qq.com</a><a>www.aaa.cn</a>www.eee.cn";
String regEx = "www\.\w+\.(com|cn)"; //改进后的正则表达式
Pattern pattern = Pattern.compile(regEx, Pattern.CASE_INSENSITIVE);
Matcher matcher = pattern.matcher(html);
while (matcher.find()) {
System.out.println(matcher.group());
}
这段代码首先定义一个包含多个URL的字符串html。 regEx 是改进后的正则表达式：
-
www\.：匹配"www."，\用于转义特殊字符.。 -
\.\w+\.：匹配".任意字母数字字符+. "，\w+匹配一个或多个字母数字字符（更精确地匹配域名）。 -
(com|cn)：匹配".com"或".cn"。
Pattern.compile() 编译正则表达式，Pattern.CASE_INSENSITIVE 忽略大小写。 matcher.find() 查找下一个匹配，matcher.group() 返回匹配的字符串。
运行结果：
www.baidu.com www.qq.com www.aaa.cn www.eee.cn
该代码成功提取所有符合条件的URL。 通过修改正则表达式，可以灵活地匹配不同模式的文本，展现了Java正则表达式在文本处理中的强大功能。
改进说明: 原示例中的正则表达式www.*?(com|cn) 使用了非贪婪匹配*?，虽然也能工作，但在处理更复杂的URL时可能不够精确。改进后的正则表达式www\.\w+\.(com|cn) 更精确地匹配了以"www."开头的域名，避免了误匹配。
