如何从提取的网页内容中筛选出超链

 我想实现的功能是将网页中的超链全部依次打开，并以文件形式存储。
现在，我抓取了网页内容。如下（部分）：
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"><!--[30,59,1] published at 2009-07-10 21:30:13 from #150 by system--><html xmlns="http://www.w3.org/1999/xhtml"><head><meta http-equiv="Content-Type" content="text/html; charset=gb2312" /><title>新浪首页</title><meta name="description" content="新浪网为全球用户24小时提供全面及时的中文资讯，内容覆盖国内外突发新闻事件、体坛赛事、娱乐时尚、产业资讯、实用信息等，设有新闻、体育、娱乐、财经、科技、房产、汽车等30多个内容频道，同时开设博客、视频、论坛等自由互动交流空间。"><meta name="stencil" content="6HtwmypggdgP1NLw7NOuQBI2TW8+CfkYCoyeB8IDbn8=" /><script type="text/javascript" src="http://i3.sinaimg.cn/home/sinaflash.js"></script><script language="javascript" type="text/javascript" src="http://d2.sina.com.cn/d1images/button/rotator.js"></script><style type="text/css">/* 全局样式 */body,ul,ol,li,p,h1,h2,h3,h4,h5,h6,form,fieldset,table,td,img,div{margin:0;padding:0;border:0;}body{background:#fff;color:#333;font-size:12px; margin-top:5px;font-family:"宋体";}ul,ol{list-style-type:none;}select,input,img,select{vertical-align:middle;}a{text-decoration:underline;}a:link{color:#009;}a:visited{color:#800080;}a:hover,a:active,a:focus{color:#c00;}.clearit{clear:both;}/* page */#page{width:950px; overflow: visible; _display:inline-block; margin:0 auto;}/* 顶部 top */.top{height:27px; position:relative; z-index:99; padding:1px; border:1px #fdd26c solid; border-bottom:1px #e1a841 solid; color:#000; background:url(http://i1.sinaimg.cn/home/deco/2008/0329/sinahome_0803_ws_001.gif) repeat-x 0 0 #fff;}.top a,.top a:visited{color:#000; text-decoration:none;}.top a:hover,.top a:active{color:#000; text-decoration:underline;}.topBlk{height:27px; overflow:hidden; _display:inline-block; background:url(http://i1.sinaimg.cn/home/deco/2008/0329/sinahome_0803_ws_001.gif) repeat-x 0 -50px 
但不知道该如何去筛选出超链！
还望各位解答！！

解决方案 »

  1.   

    分行查找，找到头”http“，找到尾“"”，截中间
      

  2.   

    2种方式：1， 如果你是在浏览器环境中编程， 可以通过此方法获取到所有的 <a>标记HRESULT getElementsByTagName(          BSTR v,
        IHTMLElementCollection **pelColl
    );
    2. 如果你想做为文本处理，用正则表达式，一下子就匹配出来了
      

  3.   


    {
    \b
    # Match the leading part (proto://hostname, or just hostname) 
    (
    # http://, or https:// leading part 
    (https?)://[-\w]+(\.\w[-\w]*)+ 
    |
    # or, try to find a hostname with more specific sub-expression
    (?i: [a-z0-9] (?:[-a-z0-9]*[a-z0-9])? \. )+ # sub domains
    # Now ending .com, etc. For these, require lowercase
    (?-i: com\b
    | edu\b
    | biz\b
    | gov\b
    | in(?:t|fo)\b # .int or .info
    | mil\b
    | net\b
    | org\b
    | [a-z][a-z]\.[a-z][a-z]\b # two-letter country code
    )
    )
    # Allow an optional port number
    ( : \d+ )?
    # The rest of the URL is optional, and begins with /
    (
    /
    # The rest are heuristics for what seems to work well
    [^.!,?;"\'<>()[]{}sx7F-\xFF]*
    (
    [.!,?]+ [^.!,?;”\’<>()\[\]{\}s\x7F-\xFF]+
    )*
    )?
    }ix