1. 项目概述：从富文本中精准“挖矿”

做后端开发，尤其是处理内容管理、博客系统或者任何涉及用户自主编辑的场景，富文本编辑器几乎是标配。用户上传图片、插入视频，编辑器里一片繁荣，但到了后端，我们拿到的往往是一大段混杂着HTML标签和各种资源引用的字符串。最近在重构一个老旧的CMS系统，就遇到了一个典型问题：如何从这些HTML富文本中，高效、准确地把所有外部资源的地址（比如图片的src、视频的poster）给提取出来？这听起来简单，不就是解析HTML嘛，但真做起来，从正则表达式的“坑”到DOM解析器的“重”，再到性能与精度的平衡，每一步都值得琢磨。今天，我就结合这个实际项目，把Java里提取富文本资源地址的几种主流方案、各自的“脾气”以及我踩过的那些坑，系统地梳理一遍。

这个需求的核心价值在于资源管理。提取出来的地址，我们可以用来做很多事：比如资源去重、将用户上传的临时文件转存到对象存储（如OSS）、生成缩略图、甚至进行内容安全审核。如果这一步没做好，要么漏掉资源导致页面显示不全，要么误抓了非资源链接破坏了内容结构。所以，这绝不是一个简单的字符串查找，而是一个需要兼顾准确性、健壮性和性能的工程问题。

2. 方案选型：正则、DOM与第三方库的博弈

面对一段富文本HTML，提取资源地址主要有三条技术路径：正则表达式、HTML DOM解析器以及专用的HTML解析库。每种方案都有其鲜明的优缺点和适用场景，选型不当，后期维护会非常痛苦。

2.1 方案一：正则表达式——灵活的双刃剑

正则表达式是很多人第一时间会想到的方案，因为它足够直接和灵活。例如，要提取所有图片地址，一个简单的正则可能是这样的：

String html = "<p>这是一张图片<img src=\"https://example.com/image1.jpg\" alt=\"示例\">， 还有一张<img src=\"/uploads/image2.png\"></p>"; Pattern pattern = Pattern.compile("<img[^>]+src\\s*=\\s*['\"]([^'\"]+)['\"][^>]*>", Pattern.CASE_INSENSITIVE); Matcher matcher = pattern.matcher(html); while (matcher.find()) { String srcUrl = matcher.group(1); System.out.println("找到图片地址: " + srcUrl); }

优点：

1. 轻量级，无依赖：不引入任何外部JAR包，适合对包体积有严格限制的微服务或工具类项目。
2. 性能可观：对于简单的、模式固定的提取任务，正则引擎（尤其是预编译后的Pattern）的匹配速度非常快。
3. 灵活性高：可以编写复杂的模式来匹配各种非标准或特定格式的HTML片段。

致命缺点与避坑指南：

1. 难以应对复杂的HTML：HTML不是正则语言。一旦遇到嵌套标签、属性值中包含>或引号、或者标签换行格式混乱（这在富文本中极其常见），精心编写的正则很容易失效或匹配到错误内容。

   注意：不要试图写一个“完美”的HTML解析正则，那是一条不归路。著名的 Stack Overflow回答 早已告诫过我们这一点。

2. 可维护性差：复杂的正则表达式像“天书”，隔段时间自己都可能看不懂，更别说交给同事维护了。
3. 容易遗漏或误判：比如，<img>标签的srcset属性（用于响应式图片）用正则处理就非常棘手。同样，<source>标签内的src、<video>的poster和src，都需要分别写模式，极易遗漏。

实操心得：正则表达式只适用于场景极其简单、输入高度可控的情况。例如，你确定富文本来自一个受控的编辑器，并且只允许插入图片，且格式固定。即便如此，也务必进行充分的异常测试，输入各种边界案例（如属性值带空格、单引号、无引号、自闭合标签写法不同等）。

2.2 方案二：标准DOM解析器（Jsoup）——稳健的首选

对于绝大多数Java后端项目，Jsoup是处理HTML的不二之选。它不是一个完整的浏览器引擎，而是一个专注于HTML解析、清理和操作的库，API极其优雅。

import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.nodes.Element; import org.jsoup.select.Elements; public List<String> extractResourceUrlsWithJsoup(String html) { List<String> urls = new ArrayList<>(); Document doc = Jsoup.parse(html); // 提取图片 Elements imgElements = doc.select("img[src]"); for (Element img : imgElements) { urls.add(img.attr("abs:src")); // 使用abs:前缀获取绝对路径，非常实用！ } // 提取视频封面和源文件 Elements videoElements = doc.select("video"); for (Element video : videoElements) { String poster = video.attr("poster"); if (!poster.isEmpty()) { urls.add(poster); } Elements sources = video.select("source[src]"); for (Element source : sources) { urls.add(source.attr("src")); } } // 提取音频 Elements audioElements = doc.select("audio"); for (Element audio : audioElements) { Elements sources = audio.select("source[src]"); for (Element source : sources) { urls.add(source.attr("src")); } } // 提取链接（有时链接指向的资源也需要管理） // Elements linkElements = doc.select("a[href]"); // 注意：这里通常不提取，除非有特殊需求 return urls; }

为什么选择Jsoup？

1. 真正的HTML解析：它将输入字符串构建成一棵DOM树，完全遵循HTML规范。无论标签如何嵌套、属性格式如何，都能正确理解。
2. CSS选择器API：使用类似jQuery的select方法，提取元素直观又强大。img[src]表示所有带有src属性的<img>标签，简洁明了。
3. 自动纠正与容错：对于不完整、格式错误的HTML，Jsoup有很好的容错能力，能尽力解析出合理的DOM结构，这对于来源多样的富文本至关重要。
4. 相对路径转绝对路径：attr("abs:src")这个功能是神器！富文本里的资源地址很可能是相对路径（如/uploads/photo.jpg）。如果你知道基础URI（比如网站域名），Jsoup可以帮你自动转换为绝对URL，为后续的下载或处理提供了极大便利。
5. 丰富的周边功能：除了提取，还能轻松做HTML清理（防XSS）、修改内容、提取文本等，一库多用。

性能考量：Jsoup的解析需要构建完整的DOM树，对于超大的HTML文档（比如几十MB），内存占用和解析时间会比正则高。但在99%的富文本场景下（内容通常在几KB到几百KB），其性能完全可接受，稳定性带来的收益远大于微小的性能损耗。

2.3 方案三：其他解析器与流式解析

除了Jsoup，还有一些其他选择：

• Jericho HTML Parser：另一个轻量级的解析器，在某些场景下可能比Jsoup更快。
• HTMLParser：一个老牌的解析库，功能强大但API相对陈旧。
• 流式解析器（如JSoup的Parser）：对于极端大的HTML，可以使用SAX（Simple API for XML）模式的解析器，它不会在内存中构建整个DOM树，而是基于事件驱动。但这会大大增加代码复杂度，通常只有处理网页爬虫抓取的巨型页面时才需要考虑。

选型结论：对于“Java获取富文本内容资源地址”这个需求，除非有极其严苛的无依赖要求或性能瓶颈，否则强烈推荐使用Jsoup。它的稳健性、开发效率和功能完整性，使其成为生产环境下的首选方案。

3. 核心实现细节与边界处理

确定了使用Jsoup，实现核心提取逻辑只是第一步。要让代码健壮、可用，必须处理好一系列边界情况和细节问题。

3.1 构建健壮的提取函数

一个生产级别的提取函数，需要考虑更多：

import org.jsoup.Jsoup; import org.jsoup.nodes.Document; import org.jsoup.nodes.Element; import org.jsoup.select.Elements; import java.net.URI; import java.net.URISyntaxException; import java.util.*; public class RichTextResourceExtractor { /** * 从富文本HTML中提取所有资源URL * @param html 富文本HTML字符串 * @param baseUri 用于解析相对路径的基础URI（如 https://your-domain.com） * @return 去重后的资源URL列表（绝对路径） */ public static Set<String> extractAllResourceUrls(String html, String baseUri) { Set<String> urlSet = new LinkedHashSet<>(); // 使用LinkedHashSet保持顺序并去重 if (html == null || html.trim().isEmpty()) { return urlSet; } Document doc; try { // 使用baseUri解析文档，这样后续的abs:attr才能正确工作 doc = Jsoup.parse(html, baseUri); } catch (Exception e) { // Jsoup解析失败，可能不是合法HTML，记录日志并返回空集 // log.warn("Failed to parse HTML with Jsoup", e); return urlSet; } // 1. 图片资源 extractUrlsFromElements(doc.select("img[src]"), "abs:src", urlSet); // 处理srcset属性（响应式图片） Elements imgsWithSrcset = doc.select("img[srcset]"); for (Element img : imgsWithSrcset) { String srcset = img.attr("srcset"); // srcset格式如："image-320w.jpg 320w, image-480w.jpg 480w" for (String part : srcset.split(",")) { String url = part.trim().split("\\s+")[0]; // 取URL部分 if (!url.isEmpty()) { urlSet.add(resolveUrl(url, baseUri)); } } } // 2. 视频资源 Elements videos = doc.select("video"); for (Element video : videos) { extractUrlsFromElements(Collections.singletonList(video), "poster", urlSet); extractUrlsFromElements(video.select("source[src]"), "abs:src", urlSet); // video标签本身的src属性 extractUrlsFromElements(Collections.singletonList(video), "abs:src", urlSet); } // 3. 音频资源 Elements audios = doc.select("audio"); for (Element audio : audios) { extractUrlsFromElements(audio.select("source[src]"), "abs:src", urlSet); extractUrlsFromElements(Collections.singletonList(audio), "abs:src", urlSet); } // 4. 可能嵌入的iframe、embed等（视需求而定） extractUrlsFromElements(doc.select("iframe[src], embed[src], object[data]"), "abs:src", urlSet); extractUrlsFromElements(doc.select("object[data]"), "abs:data", urlSet); // 5. 链接资源（特殊需求，如仅提取特定域名的链接） // extractUrlsFromElements(doc.select("a[href]"), "abs:href", urlSet); // 6. CSS背景图（进阶需求，需要解析style属性，比较复杂） // 可以通过 doc.select("[style*=\"background-image:\"]") 来查找，然后用正则提取url(...) return urlSet; } private static void extractUrlsFromElements(Elements elements, String attrKey, Set<String> urlSet) { for (Element el : elements) { String url = el.attr(attrKey); if (url != null && !url.trim().isEmpty()) { urlSet.add(url); } } } private static String resolveUrl(String url, String baseUri) { // 简单的URL解析与拼接，生产环境建议使用更完善的URI工具类 try { URI uri = new URI(url); if (uri.isAbsolute()) { return url; } else { // 简单拼接，实际项目应使用URI.resolve或类似方法 return baseUri + (baseUri.endsWith("/") ? "" : "/") + (url.startsWith("/") ? url.substring(1) : url); } } catch (URISyntaxException e) { // 记录日志 return url; // 返回原URL或进行其他处理 } } }

3.2 关键细节与陷阱

1. 相对路径与绝对路径：这是最容易出问题的地方。富文本编辑器里插入的图片，可能是完整URL，也可能是相对于网站根目录（如/uploads/img.jpg）或当前目录（如./img.jpg）的路径。务必使用attr("abs:src")，并正确设置baseUri参数，让Jsoup帮你完成转换。否则，你提取到的相对路径对于后续的下载或处理程序是无效的。

2. 去重：同一张图片可能在富文本中被多次引用。使用Set集合（如LinkedHashSet）自动去重，可以避免后续对同一资源进行重复处理。

3. 数据属性（data-*）：一些现代编辑器或组件可能会将资源URL放在自定义的>if (url.startsWith("data:")) { // 跳过Base64图片 continue; }

4. 性能与缓存：如果在一个高并发的服务中频繁调用此解析函数，可以考虑对解析后的Document对象或提取结果进行缓存（例如，将HTML内容的MD5作为Key）。但要注意，缓存会带来一致性问题，如果HTML内容经常变化，缓存的收益不大。

4. 集成到Spring Boot项目中的实践

在实际的Spring Boot项目中，我们通常不会写一个孤立的工具类就完事。我们需要考虑如何将其优雅地集成到服务层，并处理资源地址的后续逻辑。

4.1 设计服务层组件

我们可以创建一个RichTextService，专门负责富文本相关的处理。

@Service @Slf4j public class RichTextService { @Value("${app.resource.base-url:https://static.yourdomain.com}") private String resourceBaseUrl; /** * 提取富文本中的资源地址，并转换为完整的可访问URL */ public Set<String> extractResourceUrls(String richTextHtml) { return RichTextResourceExtractor.extractAllResourceUrls(richTextHtml, resourceBaseUrl); } /** * 一个更综合的方法：提取地址，并可能触发异步任务（如转存到OSS） */ @Async // 假设配置了异步执行器 public void processRichTextResources(String richTextHtml, Long contentId) { Set<String> urls = extractResourceUrls(richTextHtml); if (urls.isEmpty()) { return; } log.info("为内容[{}]提取到{}个资源地址", contentId, urls.size()); for (String url : urls) { // 1. 检查资源是否已存在于我们的对象存储（OSS）中 if (!isResourceInOSS(url)) { // 2. 如果不存在，则下载并上传到OSS String newOssUrl = downloadAndUploadToOSS(url); // 3. （可选）更新数据库中的富文本内容，将旧URL替换为新OSS URL // updateContentWithNewUrl(contentId, url, newOssUrl); } // 4. 可以在这里添加资源审核逻辑（调用内容安全API） // securityCheck(url); } } private boolean isResourceInOSS(String url) { // 实现逻辑：根据URL特征判断，或查询资源映射表 return false; } private String downloadAndUploadToOSS(String sourceUrl) { // 实现逻辑：使用HttpClient下载，再用OSS SDK上传 // 返回新的OSS URL return "https://oss-bucket.region.aliyuncs.com/path/to/file.jpg"; } }

4.2 在Controller或业务逻辑中调用

当用户创建或更新一篇带富文本的文章时，可以在保存内容后，异步触发资源处理流程。

@RestController @RequestMapping("/api/articles") public class ArticleController { @Autowired private ArticleService articleService; @Autowired private RichTextService richTextService; @PostMapping public ResponseEntity<Article> createArticle(@RequestBody ArticleCreateRequest request) { // 1. 保存文章基础信息和富文本内容到数据库 Article savedArticle = articleService.create(request); // 2. 异步处理富文本中的资源 richTextService.processRichTextResources(savedArticle.getContent(), savedArticle.getId()); return ResponseEntity.ok(savedArticle); } }

4.3 配置建议

在application.yml中配置基础URL和可能的白名单：

app: resource: base-url: ${RESOURCE_BASE_URL:https://cdn.your-app.com} # 从环境变量读取，默认值 allowed-domains: # 资源地址白名单，只处理这些域名的资源 - your-app.com - your-oss-domain.com - trusted-cdn.com

在服务层的提取逻辑中，可以增加白名单校验，只处理可信域名的资源，防止处理恶意或无关的链接。

5. 常见问题排查与性能优化

即使方案正确，在实际部署和运行中，还是会遇到各种问题。下面是一些典型场景和解决思路。

5.1 问题排查清单

5.2 性能优化实战

假设我们有一个热门文章列表接口，需要从每篇文章的富文本中提取第一张图片作为封面图。如果每次请求都实时用Jsoup解析全部文章内容，数据库和CPU压力会很大。

优化方案：空间换时间，预提取并存储。

1. 数据库设计：在文章表article中，增加一个cover_image_url字段和resource_urls_json（TEXT类型）字段。
2. 发布/更新时预处理：在文章保存或更新的业务逻辑中，同步调用提取方法，将第一张图片URL和所有资源URL列表（JSON数组格式）计算出来，直接存入数据库。

   @Transactional public Article createArticle(ArticleCreateRequest request) { Article article = new Article(); // ... 设置其他字段 article.setContent(request.getContent()); // 预处理：提取封面图和资源列表 Set<String> allUrls = richTextService.extractResourceUrls(request.getContent()); String firstImageUrl = allUrls.stream() .filter(url -> url.matches(".*\\.(jpg|jpeg|png|gif|webp)$")) // 简单图片后缀判断 .findFirst() .orElse(null); article.setCoverImageUrl(firstImageUrl); // 将Set转为JSON字符串存储 article.setResourceUrlsJson(JSON.toJSONString(allUrls)); return articleRepository.save(article); }

3. 查询时直接读取：列表接口查询时，直接SELECT cover_image_url FROM article ...，完全避免了实时解析。当需要用到全部资源列表时（比如清理资源），直接从resource_urls_json字段读取即可。

这个方案将计算密集型操作从高频的读请求（列表查询）转移到了低频的写请求（文章发布/更新）上，极大提升了系统性能。这就是典型的“写时计算，读时直接使用”的优化思路。

6. 扩展思考：不只是提取，更是资源治理的起点

提取资源地址，往往只是一个更长链路的起点。基于这个能力，我们可以构建更完善的资源治理体系：

1. 资源生命周期管理：将提取的URL与业务实体（如文章ID）关联。当文章被删除时，可以自动触发关联资源的清理任务（从OSS删除文件），避免存储空间被无用文件占用。
2. 资源审核与安全：将提取到的图片、视频URL发送到内容安全审核服务（如阿里云、腾讯云的内容安全API），拦截违规内容，满足监管要求。
3. CDN预热与优化：对于新上传的图片，可以在发布文章后，异步调用CDN的预热接口，将资源提前缓存到边缘节点，提升用户首次访问速度。
4. 生成资源清单：为每篇内容生成一份资源依赖清单，在前端渲染时，可以实现资源的优先级加载（Lazy Load）或预加载（Preload），优化页面性能。

从一段看似杂乱的富文本HTML中，精准地提取出资源地址，就像是为后续所有高级操作打开了一扇门。选择Jsoup作为你的“开山斧”，处理好相对路径、去重、过滤内联数据这些细节，再结合具体的业务场景进行异步处理和性能优化，这套方案就能足够稳健地支撑起生产环境的需求。