推荐使用Jsoup解析HTML再提取邮箱和链接，因其能自动处理编码、标签嵌套与HTML实体；若用IO流，须规范编码、清理script/style标签及注释后再正则匹配。

直接用IO流读取网页内容再配合正则表达式提取邮箱和链接，虽可行但存在明显局限：HTML结构复杂、转义干扰多、编码不一致易出错，且无法处理JavaScript动态渲染的内容。真正高效的做法是分两步——先用可靠方式获取纯净文本（或DOM结构），再用精准正则提取目标信息。

优先用Jsoup解析HTML，再提取邮箱和链接

Jsoup能自动处理编码、标签嵌套、HTML实体和注释，比原始IO流+正则更健壮。

• 添加Maven依赖：jsoup1.17.2
• 加载页面并获取所有超链接：
  Document doc = Jsoup.connect("https://example.com").get();
  List urls = doc.select("a[href]").eachAttr("href");
• 提取邮箱：遍历文本节点 + 正则匹配，避免在href或script中误抓
  Pattern emailPat = Pattern.compile("[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}");
  doc.body().text().lines().forEach(line -> emailPat.matcher(line).results().forEach(m -> System.out.println(m.group())));

若必须用IO流，务必先规范编码和清理HTML

原始IO流读取容易因charset缺失导致乱码，进而让正则失效。

• 用URLConnection明确指定UTF-8，并读取响应头中的Content-Type确认编码
• 读取后先用正则粗略剥离script/style标签和注释：
  html = html.replaceAll("(?i)]*>.*?\1>", "");
  html = html.replaceAll("", "");
• 再提取纯文本（去除所有标签）：html.replaceAll("]*>", " ").replaceAll("\s+", " ")，最后在这段文本上跑邮箱/链接正则

邮箱和链接正则要兼顾准确与安全

网上流传的“万能邮箱正则”往往过度宽泛（如匹配a@b.c）或过于严格（漏掉user+tag@domain.co.uk）。推荐实用级写法：

• 邮箱：[a-zA-Z0-9]([a-zA-Z0-9._%-]*[a-zA-Z0-9])?@([a-zA-Z0-9]([a-zA-Z0-9.-]*[a-zA-Z0-9])?\.)+[a-zA-Z]{2,}
  （允许点号、下划线、百分号、加号在用户名中，禁止开头结尾为特殊字符）
• 链接（相对/绝对）：https?://[^s">]+|[a-zA-Z][a-zA-Z0-9+.-]*://[^s">]+|/[-\w./?=%]+
  （覆盖http/https、ftp等协议，以及常见相对路径）

补充建议：去重、校验与防反爬

抓取结果常含重复、无效或伪装数据，需后处理。

• 用HashSet自动去重；对邮箱做基础校验（如检查域名MX记录需额外库，简单场景可跳过）
• 链接建议用new URL(url).toURI()尝试构造，捕获MalformedURLException过滤非法格式
• 加请求头（User-Agent、Accept）模拟浏览器；控制请求频率（Thread.sleep(1000)）；必要时用CookieStore维持会话