Как извлечь все URL - адреса из HTML-страницы
I have below response that I got by sending GET request to some server (GET /k/302.html HTTP/1.0) using java socket connection.
HTTP/1.1 200 OK
Date: Thu, 25 Apr 2019 06:31:21 GMT
Server: Apache/2.4.29 (Ubuntu)
Last-Modified: Thu, 11 Apr 2019 11:44:58 GMT
ETag: "59-5863fb73cdcbb"
Accept-Ranges: bytes
Content-Length: 89
Vary: Accept-Encoding
Connection: close
Content-Type: text/html
<html>
<body>
<a href="/"> More pages </a>
<img src="redback.jpg">
</body>
</html>
Connection closed by foreign host.
I have to write simple java code where I am suppose to crawl all the urls present on this current webpage (/k/302.html).
Currently I am able to extract the first url ("/") using java regular expression as <pre lang="java">"<a\\s+href\\s*=\\s*(\"[^\"]*\"|[^\\s>]*)\\s*>".Но я не могу получить второй url-адрес, который предназначен для тега.
Ниже приведен расширенный html-контент, который я получил из консоли, где он четко указывает, что "redback.jpg-есть гиперссылка.
<span class="html-tag"><img <span class="html-attribute-name">src</span>="<a class="html-attribute-value html-resource-link" target="_blank" href="redback.jpg" rel="noreferrer noopener">redback.jpg</a>"></span>
Но если мы видим ответ GET, он не ясно говорит о том, что у него есть гиперссылка. Как извлечь такие URL-адреса только из ответа? Я должен сделать это в простой java, используя сокет-соединение со стандартным запросом HTTP без использования каких - либо других внешних библиотек.
Что я уже пробовал:
Для простой URL-адрес, я попытался с помощью регулярных выражений в Java
<pre lang="java">"<a\\s+href\\s*=\\s*(\"[^\"]*\"|[^\\s>]*)\\s*>". но не получается, как получить для встроенных тегов href, потому что я не получаю такую информацию в ответе HTTP GET.