在这里记录一下
使用如下的正则表达式来抽取一个网页下的所有链接，并
<a[^>]+href=["']?(?'Url'[^"'>]+)['"]?[^>]*>
测试字符串
<a href=www.sina.com.cn>ddfa</a>
<a href=xx.aspx?id=11>ddfa</a>
<a href="www.sina.com.cn">ddfa</a>
<a href='www.sina.com.cn'>ddfa</a>
<a href=http://www.sina.com.cn>ddfa</a>
采集网页中所有图片的正则表达式
((http(s)?://)?)+(((/?)+[\w-.]+(/))*)+[\w-./]+\.+(jpg|jpeg|png|ico|bmp|gif)
注意在正则中勾选case insensitive选项
测试字符串
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN">
<HTML>
<HEAD>
<TITLE> New Document </TITLE>
<META NAME="Generator" CONTENT="EditPlus">
<META NAME="Author" CONTENT="">
<META NAME="Keywords" CONTENT="">
<META NAME="Description" CONTENT="">
</HEAD>
<BODY>
<!-- 对于<a href="http://www.sina.com.cn%22%3e2%3c/a>这样网址的识别的还有问题 -->
<a href=http://www.sina.com.cn>2</a>
<a href=/aa/.aspx>1<a>
<img src="ddd.gif" />
</BODY>
</HTML>
还可以有这样的链接http:// news.bjut.edu.cn/./newscontent.jsp?p=s&articleID=6769
效果和下面的是一样的
http://news.bjut.edu.cn/newscontent.jsp?p=s&articleID=6769