从字符串中提取网址的类型为

Question

我试图从字符串中提取网址，它们不是标准化的，所以有些是在href标记中，其他是在它们自己的标记中。

我也需要他们加以分类，因此，例如以下字符串：

var txt1: String = "Some text! <a href="http://www.google.com/test.mp3">MP3</a>" 
var txt2: String = "Some text! <a href="http://www.google.com/test.jpg">IMG</a>" 
var txt3: String = "Some more! <a href="http://www.google.com/">Link!</a>" 

因此，这些字符串是所有的连接，并包含3个网址，我正在寻找的线沿线的东西：

var result: List = List(

    "mp3" -> List("http://www.google.com/test.mp3"), 
    "img" -> List("http://www.google.com/test.jpg"), 
    "url" -> List("http://www.google.com/") 
) 

我已经研究过正则表达式，但只有这么远，提取的HREF去没有定义类型，这也没有对自己的标签之外取得的URL

val hrefRegex = new Regex("""\<a.*?href=\"(http:.*?)\".*?\>.*?\</a>"""); 
val hrefs:List[String]= hrefRegex.findAllIn(txt1.mkString).toList; 

任何帮助非常感谢，谢谢提前:)

Answer 1

假设val txt = txt1 + txt2 + txt3，你可以用文本转换成XML元素为一个字符串，然后分析它为XML和使用XML标准库中提取的锚。

// can do other cleanup if necessary here such as changing "link!" 
def normalize(t: String) = t.toLowerCase() 

val txtAsXML = xml.XML.loadString("<root>" + txt + "</root>") 
val anchors = txtAsXML \\ "a" 
// returns scala.xml.NodeSeq containing the <a> tags 

然后你只需要后期处理，直到你有一个像你组织的数据要：

val tuples = anchors.map(a => normalize(a.text) -> a.attributes("href").toString) 
// Seq[String, String] containing elements 
// like "mp3" -> http://www.google.com/test.mp3 

val byTypes = tuples.groupBy(_._1).mapValues(seq => seq.map(_._2)) 
// here grouped by types: 
// Map(img -> List(http://www.google.com/test.jpg), 
//  link! -> List(http://www.google.com/), 
//  mp3 -> List(http://www.google.com/test.mp3))