java正则表达式提取URL

package spider4;import java.util.HashSet;import java.util.Iterator;import java.util.Set;import java.util.regex.Matcher;import java.util.regex.Pattern;public class TestString {    /** 多次使用的话不需要重新编译正则表达式了，对于频繁调用能提高效率 */    public static final String patternString1 = "[^\\s]*((<\\s*[aA]\\s+href\\s*=([^>]+\\s*)>)(.*)</[aA]>).*";    public static final String patternString2 = ".*(<\\s*[aA]\\s+(href\\s*=[^>]+\\s*)>(.*)</[aA]>).*";    public static final String patternString3 = ".*href\\s*=\\s*(\"|'|)http://.*";    public static Pattern pattern1 = Pattern.compile(patternString1,            Pattern.DOTALL);    public static Pattern pattern2 = Pattern.compile(patternString2,            Pattern.DOTALL);    public static Pattern pattern3 = Pattern.compile(patternString3,            Pattern.DOTALL);    /**     * @param args     */    public static void main(String[] args) {        /** 测试的数据 */        String ss = "这是测试<a href=http://www.google.cn>www.google.cn</a>真的是测试了";        /** 保存提取出来的url,用set从某种程度去重，只是字面上，至于语义那就要需要考虑很多了 */        Set<String> set = new HashSet<String>();        /** 解析url并保存在set里  Set是一个不包含重复元素的 collection */        parseUrl(set, ss);        /** 针对解析出来的url做处理 */        System.out.println(replaceHtml(set, ss));        //这是测试<a href=http://www.google.cn  target="_blank">www.google.cn</a>真的是测试了    }    /** 给每个url加上target属性 */    public static String replaceHtml(Set<String> set, String var) {        String result = null;        /** 最好不要对参数修改 */        result = var;        Iterator<String> ite = set.iterator();        while (ite.hasNext()) {            String url = ite.next();            if (url != null) {                result = result.replaceAll(url, url + "  target=\"_blank\"");            }        }        return result;    }    /** 解析url并保存在set里  Set是一个不包含重复元素的 collection */    public static void parseUrl(Set<String> set, String var) {        Matcher matcher = null;        String result = null;        // 假设最短的a标签链接为 <a href=http://www.a.cn></a>则计算他的长度为28        if (var != null && var.length() > 28) {            matcher = pattern3.matcher(var);            // 确定句子里包含有链接            if (matcher != null && matcher.matches()) {                matcher = pattern1.matcher(var);                String aString = null;                String bString = null;                while (matcher != null && matcher.find()) {                    if (matcher.groupCount() > 3) {                        //System.out.println(matcher.groupCount());//4                        //System.out.println(matcher.group(0));//group(0) 所有待测试字符串 这是测试<a href=http://www.google.cn>www.google.cn</a>真的是测试了                        bString = matcher.group(matcher.groupCount() - 3);// 这个group包含所有符合正则的字符串 group(1)                        //System.out.println(bString);   //<a href=http://www.google.cn>www.google.cn</a>                        aString = matcher.group(matcher.groupCount() - 2);// 这个group包含url的html标签  group(2)                        //System.out.println(aString);  //<a href=http://www.google.cn>                        String url1 = matcher.group(matcher.groupCount() - 1);// 最后一个group就是url group(3)                        //System.out.println(url1);  //http://www.google.cn                        set.add(url1);// 将找到的url保存起来                        bString = bString.replaceAll(aString, "");// 去掉已经找到的url的html标签                        //System.out.println(bString);//www.google.cn</a>                    }                }                if (bString != null) {                    parseUrl(set, bString);// 继续循环提取下一个url                }            }        }    }}