javaでウェブページ上の内部URLリンクの抽出(パース)方法について

Question

java(jsoupライブラリ付き)でWebページ上の内部URLリンクのみをArrayListとしてまとめて取得したいとき、どうしたらいいですか？
いまコードを書いてみましたがaタグの指定やhrefの値の抜き出し方がさっぱりわかりません。
以下では１～３の順で処理してます。特に３が誤ってる気がしますので訂正お願いします。

１：String型のurlというのがあります。そして、urlに具体的なURLを入れ込みます。

**url="http://site-helpful.blogspot.jp";**

２：ドキュメント型のdにurlのdocumentを代入します。

d=Jsoup.connect(url).get();

３：Elements型のTにaタグ指定しhrefでセレクトしたElementsを代入してます。
※ここが合ってない気がして、さっぱりわかりません。

T=d.getElementsByTag("a").select("[href]");

Answer 1

Elements型はjava.util.ArrayListを継承しているので、下記のようにfor文で個々の要素にアクセスできます。

Elements links = d.getElementsByTag("a").select("[href]");
for (Element link : links) {
  System.out.println(link.toString());
}

たとえば、link.toString()が下記のような文字列を出力するとした場合

<a href="https://hoge.com/">fuga</a>

hrefの値を取得するには

link.attr("href")
// → https://hoge.com/

aタグのテキスト(この例では"fuga")を取得するには

link.text()
// → fuga

で出来ると思います。

なお、下記の書き方は

Elements links = d.getElementsByTag("a").select("[href]");

次のように書き直すこともできます。

Elements links = d.select("a[href]");

実装に困った場合は、API Referenceを確認すると良いと思います。

• API Reference - Class Document
• API Reference - Class Elements

Comments

[HelpfulJp]

詳しく書き方を教えてくださりありがとうございます。参照法もわかりました。大変助かります。ありがとうございます。