首页 > 编程 > Regex > 正文

Java用正则表达式读取网页内容

2020-03-01 19:57:41
字体:
来源:转载
供稿:网友

我们在学习java的正则表达式时经常会需要抓取网页并解析HTML的内容,那么你知道Java中如何用正则表达式来读取网页的内容吗?那么接下来我们就去看看Java用正则表达式读取网页内容的方法。

package com.xiaofeng.picup;import java.io.BufferedReader;import java.io.IOException;import java.io.InputStreamReader;import java.net.MalformedURLException;import java.net.URL;import java.util.ArrayList;import java.util.HashMap;import java.util.List;import java.util.regex.Matcher;import java.util.regex.Pattern;/** *//**** @抓取页面文章标题及内容(测试) 手动输入网址抓取,可进一步自动抓取整个页面的全部内容**/public class WebContent ...{  /** *//**   * 读取一个网页全部内容   */  public String getOneHtml(String htmlurl) throws IOException...{    URL url;    String temp;    StringBuffer sb = new StringBuffer();    try ...{      url = new URL(htmlurl);      BufferedReader in = new BufferedReader(new InputStreamReader(url          .openStream(), "utf-8"));// 读取网页全部内容      while ((temp = in.readLine()) != null) ...{        sb.append(temp);      }      in.close();    }catch(MalformedURLException me)...{      System.out.println("你输入的URL格式有问题!请仔细输入");      me.getMessage();      throw me;    }catch (IOException e) ...{      e.printStackTrace();      throw e;    }    return sb.toString();  }  /** *//**   *   * @param s   * @return 获得网页标题   */  public String getTitle(String s) ...{    String regex;    String title = "";    List<String> list = new ArrayList<String>();    regex = "<title>.*?</title>";    Pattern pa = Pattern.compile(regex, Pattern.CANON_EQ);    Matcher ma = pa.matcher(s);    while (ma.find()) ...{      list.add(ma.group());    }    for (int i = 0; i < list.size(); i++) ...{      title = title + list.get(i);    }    return outTag(title);  }  /** *//**   *   * @param s   * @return 获得链接   */  public List<String> getLink(String s) ...{    String regex;    List<String> list = new ArrayList<String>();    regex = "<a[^>]*href=("([^"]*)"|'([^']*)'|([^s>]*))[^>]*>(.*?)</a>";    Pattern pa = Pattern.compile(regex, Pattern.DOTALL);    Matcher ma = pa.matcher(s);    while (ma.find()) ...{      list.add(ma.group());    }    return list;  }  /** *//**   *   * @param s   * @return 获得脚本代码   */  public List<String> getScript(String s) ...{    String regex;    List<String> list = new ArrayList<String>();    regex = "<script.*?</script>";    Pattern pa = Pattern.compile(regex, Pattern.DOTALL);    Matcher ma = pa.matcher(s);    while (ma.find()) ...{      list.add(ma.group());    }    return list;  }  /** *//**   *   * @param s   * @return 获得CSS   */  public List<String> getCSS(String s) ...{    String regex;    List<String> list = new ArrayList<String>();    regex = "<style.*?</style>";    Pattern pa = Pattern.compile(regex, Pattern.DOTALL);    Matcher ma = pa.matcher(s);    while (ma.find()) ...{      list.add(ma.group());    }    return list;  }  /** *//**   *   * @param s   * @return 去掉标记   */  public String outTag(String s) ...{    return s.replaceAll("<.*?>", "");  }

上文就是关于Java用正则表达式读取网页内容,在学习完后是不是大家会因为新学了一个知识感到自豪呢?因为我们正则表达式的能力又向前迈出一小步。

发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表

图片精选