如何在Java中不依赖第三方库解析HTML并提取内容与URL？

• 先定位到<a 的起始位置，再找到标签闭合的>
• 在这个范围内找href=的位置，然后判断包裹URL的引号类型（或无引号），提取出URL内容

• 找到<a>闭合>之后到</a>之前的内容
• 遍历这段内容，把所有<...>格式的标签都剔除，剩下的就是纯文本
• 最后清理掉多余的空格、换行，让文本更整洁

def extract_links_and_text(html_content):
    links_data = []
    start_pos = 0
    html_len = len(html_content)
    
    while start_pos < html_len:
        # 定位下一个<a>标签的起始位置
        a_start = html_content.find('<a ', start_pos)
        if a_start == -1:
            break  # 没有更多<a>标签，结束循环
        
        # 找到当前<a>标签的闭合>位置
        a_end = html_content.find('>', a_start)
        if a_end == -1:
            start_pos = a_start + 1
            continue
        
        # 提取href属性
        href_start = html_content.find('href=', a_start, a_end)
        if href_start == -1:
            # 没有href的<a>标签，直接跳过
            start_pos = a_end + 1
            continue
        
        href_start += len('href=')
        quote_char = html_content[href_start]
        # 处理三种href格式：双引号、单引号、无引号
        if quote_char in ('"', "'"):
            href_start += 1
            href_end = html_content.find(quote_char, href_start)
            if href_end == -1:
                href_end = a_end
        else:
            # 无引号的情况，找下一个空格或标签结束位置
            href_end = html_content.find(' ', href_start, a_end)
            if href_end == -1:
                href_end = a_end
        
        url = html_content[href_start:href_end].strip()
        
        # 提取<a>标签内的文本内容
        closing_a_start = html_content.find('</a>', a_end)
        if closing_a_start == -1:
            start_pos = a_end + 1
            continue
        
        inner_content = html_content[a_end+1:closing_a_start]
        # 剔除inner_content里的所有HTML标签
        pure_text = ''
        current_pos = 0
        inner_len = len(inner_content)
        
        while current_pos < inner_len:
            tag_open = inner_content.find('<', current_pos)
            if tag_open == -1:
                pure_text += inner_content[current_pos:]
                break
            # 把标签前的文本加进去
            pure_text += inner_content[current_pos:tag_open]
            # 找到标签的闭合>
            tag_close = inner_content.find('>', tag_open)
            if tag_close == -1:
                break
            current_pos = tag_close + 1
        
        # 清理文本中的多余空格和换行
        pure_text = ' '.join(pure_text.split()).strip()
        
        # 把结果存入列表，后续可以直接写入数据库
        links_data.append({
            'url': url,
            'text': pure_text
        })
        
        # 更新起始位置，继续查找下一个<a>标签
        start_pos = closing_a_start + len('</a>')
    
    return links_data

# 测试用例
sample_html = '''
<!DOCTYPE html>
<html>
<head><title>Test Page</title></head>
<body>
    <a href="https://example.com">Example Website</a>
    <a href='https://test.org'>Test <em>Italic</em> Text</a>
    <a class="nav-link" href=https://noquote.net>No Quotes Here</a>
    <a href="#section1">Jump to Section 1</a>
</body>
</html>
'''

# 调用函数并打印结果
extracted_data = extract_links_and_text(sample_html)
for idx, item in enumerate(extracted_data, 1):
    print(f"Link {idx}:")
    print(f"  URL: {item['url']}")
    print(f"  Text: {item['text']}\n")