我需要解析格式错误的HTML页面，并从中提取某些URL作为任何Collection。
我真的不在乎哪种Collection，我只需要能够对其进行迭代。
假设我们有一个这样的结构：
<html>
<body>
<div class="outer">
<div class="inner">
<a href="http://www.google.com" title="Google">Google-Link</a>
<a href="http://www.useless.com" title="I don't need this">Blah blah</a>
</div>
<div class="inner">
<a href="http://www.youtube.com" title="Youtube">Youtube-Link</a>
<a href="http://www.useless2.com" title="I don't need this2">Blah blah2</a>
</div>
</div>
</body>
</html>
这是我到目前为止所做的：
// tagsoup version 1.2 is under apache license 2.0
@Grab(group='org.ccil.cowan.tagsoup', module='tagsoup', version='1.2' )
XmlSlurper slurper = new XmlSlurper(new org.ccil.cowan.tagsoup.Parser());
GPathResult nodes = slurper.parse("test.html");
def links = nodes."**".findAll { it.@class == "inner" }
println links
我想要类似的东西：
[“ http://google.com”，“ http://youtube.com”]
但我得到的是：
[“ Google-LinkBlah blah”，“ Youtube-LinkBlah blah2”]
更准确地说，我无法使用所有URL，因为需要解析的HTML文档
长约一万五千行，并且有很多我不需要的URL。
因此，我需要每个“内部”块中的第一个URL。
最佳答案
正如Trav所说，您需要从每个匹配的href标记中获取a属性。
您已经编辑了问题，所以class中的findAll位没有任何意义，但是对于当前的HTML示例，这应该可以工作：
def links = nodes.'**'.findAll { it.name() == 'a' }*.@href*.text()
编辑
如果（如您在编辑后说的那样）只想要第一个
a内标有class="inner"的内容，则尝试：def links = nodes.'**'.findAll { it.@class?.text() == 'inner' }
.collect { d -> d.'**'.find { it.name() == 'a' }?.@href }
.findAll() // remove nulls if there are any