`

java读取(正则表达式分析)网页内容

    博客分类:
  • JAVA
阅读更多

  由于原来的“插入代码”复制方法要把转义符过滤掉,所以下面用文本粘贴:

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;

/**
 *
 * @author 晓峰2007.1.18 抓取雅虎知识堂的文章标题及内容(测试) 手动输入网址抓取,可进一步自动抓取整个知识堂的全部内容
 *
 */
public class WebContent
{
 /**
  * 读取一个网页全部内容
  */
 public String getOneHtml(final String htmlurl) throws IOException
 {
  URL url;
  String temp;
  final StringBuffer sb = new StringBuffer();
  try
  {
   url = new URL(htmlurl);
   final 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 (final 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 (final IOException e)
  {
   e.printStackTrace();
   throw e;
  }
  return sb.toString();
 }

 /**
  *
  * @param s
  * @return 获得网页标题
  */
 public String getTitle(final String s)
 {
  String regex;
  String title = "";
  final List<String> list = new ArrayList<String>();
  regex = "<title>.*?</title>";
  final Pattern pa = Pattern.compile(regex, Pattern.CANON_EQ);
  final 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(final String s)
 {
  String regex;
  final List<String> list = new ArrayList<String>();
  regex = "<a[^>]*href=(\"([^\"]*)\"|\'([^\']*)\'|([^\\s>]*))[^>]*>(.*?)</a>";
  final Pattern pa = Pattern.compile(regex, Pattern.DOTALL);
  final 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(final String s)
 {
  String regex;
  final List<String> list = new ArrayList<String>();
  regex = "<script.*?</script>";
  final Pattern pa = Pattern.compile(regex, Pattern.DOTALL);
  final Matcher ma = pa.matcher(s);
  while (ma.find())
  {
   list.add(ma.group());
  }
  return list;
 }

 /**
  *
  * @param s
  * @return 获得CSS
  */
 public List<String> getCSS(final String s)
 {
  String regex;
  final List<String> list = new ArrayList<String>();
  regex = "<style.*?</style>";
  final Pattern pa = Pattern.compile(regex, Pattern.DOTALL);
  final Matcher ma = pa.matcher(s);
  while (ma.find())
  {
   list.add(ma.group());
  }
  return list;
 }

 /**
  *
  * @param s
  * @return 去掉标记
  */
 public String outTag(final String s)
 {
  return s.replaceAll("<.*?>", "");
 }

 /**
  *
  * @param s
  * @return 获取雅虎知识堂文章标题及内容
  */
 public HashMap<String, String> getFromYahoo(final String s)
 {
  final HashMap<String, String> hm = new HashMap<String, String>();
  final StringBuffer sb = new StringBuffer();
  String html = "";
  System.out.println("\n------------------开始读取网页(" + s + ")--------------------");
  try
  {
   html = getOneHtml(s);
  }
  catch (final Exception e)
  {
   e.getMessage();
  }
  // System.out.println(html);
  System.out.println("------------------读取网页(" + s + ")结束--------------------\n");
  System.out.println("------------------分析(" + s + ")结果如下--------------------\n");
  String title = outTag(getTitle(html));
  title = title.replaceAll("_雅虎知识堂", "");
  // Pattern pa=Pattern.compile("<div
  // class=\"original\">(.*?)((\r\n)*)(.*?)((\r\n)*)(.*?)</div>",Pattern.DOTALL);
  final Pattern pa = Pattern.compile("<div class=\"original\">(.*?)</p></div>", Pattern.DOTALL);
  final Matcher ma = pa.matcher(html);
  while (ma.find())
  {
   sb.append(ma.group());
  }
  String temp = sb.toString();
  temp = temp.replaceAll("(<br>)+?", "\n");// 转化换行
  temp = temp.replaceAll("<p><em>.*?</em></p>", "");// 去图片注释
  hm.put("title", title);
  hm.put("original", outTag(temp));
  return hm;

 }

 /**
  *
  * @param args
  *            测试一组网页,针对雅虎知识堂
  */
 public static void main(final String args[])
 {
  String url = "";
  final List<String> list = new ArrayList<String>();
  System.out.print("输入URL,一行一个,输入结束后输入 go 程序开始运行:   \n");
  /*
   * http://ks.cn.yahoo.com/question/1307121201133.html
   * http://ks.cn.yahoo.com/question/1307121101907.html
   * http://ks.cn.yahoo.com/question/1307121101907_2.html
   * http://ks.cn.yahoo.com/question/1307121101907_3.html
   * http://ks.cn.yahoo.com/question/1307121101907_4.html
   * http://ks.cn.yahoo.com/question/1307121101907_5.html
   * http://ks.cn.yahoo.com/question/1307121101907_6.html
   * http://ks.cn.yahoo.com/question/1307121101907_7.html
   * http://ks.cn.yahoo.com/question/1307121101907_8.html
   */
  final BufferedReader br = new BufferedReader(new InputStreamReader(System.in));
  try
  {
   while (!(url = br.readLine()).equals("go"))
   {
    list.add(url);
   }
  }
  catch (final Exception e)
  {
   e.getMessage();
  }
  final WebContent wc = new WebContent();
  HashMap<String, String> hm = new HashMap<String, String>();
  for (int i = 0; i < list.size(); i++)
  {
   hm = wc.getFromYahoo(list.get(i));
   System.out.println("标题: " + hm.get("title"));
   System.out.println("内容: \n" + hm.get("original"));
  }
  /*
   * String htmlurl[] = {
   * "http://ks.cn.yahoo.com/question/1307121201133.html",
   * "http://ks.cn.yahoo.com/question/1307121101907.html",
   * "http://ks.cn.yahoo.com/question/1307121101907_2.html",
   * "http://ks.cn.yahoo.com/question/1307121101907_3.html",
   * "http://ks.cn.yahoo.com/question/1307121101907_4.html",
   * "http://ks.cn.yahoo.com/question/1307121101907_5.html",
   * "http://ks.cn.yahoo.com/question/1307121101907_6.html",
   * "http://ks.cn.yahoo.com/question/1307121101907_7.html",
   * "http://ks.cn.yahoo.com/question/1307121101907_8.html" }; WebContent
   * wc = new WebContent(); HashMap<String, String> hm = new HashMap<String,
   * String>(); for (int i = 0; i < htmlurl.length; i++) { hm =
   * wc.getFromYahoo(htmlurl[i]); System.out.println("标题: " +
   * hm.get("title")); System.out.println("内容: \n" + hm.get("original")); }
   */
  /*
   * String html=""; String link=""; String sscript=""; String content="";
   * System.out.println(htmlurl+" 开始读取网页内容:");
   * html=wc.getOneHtml(htmlurl); System.out.println(htmlurl+"
   * 读取完毕开始分析……"); html=html.replaceAll("(<script.*?)((\r\n)*)(.*?)((\r\n)*)(.*?)(</script>)","
   * ");//去除脚本 html=html.replaceAll("(<style.*?)((\r\n)*)(.*?)((\r\n)*)(.*?)(</style>)","
   * ");//去掉CSS html=html.replaceAll("<title>.*?</title>"," ");//除去页面标题
   * html=html.replaceAll("<a[^>]*href=(\"([^\"]*)\"|\'([^\']*)\'|([^\\s>]*))[^>]*>(.*?)</a>","
   * ");//去掉链接 html=html.replaceAll("(\\s){2,}?"," ");//除去多余空格
   * html=wc.outTag(html);//多余标记 System.out.println(html);
   */

  /*
   * String s[]=html.split(" +"); for(int i=0;i<s.length;i++){
   * content=(content.length()>s[i].length())?content:s[i]; }
   * System.out.println(content);
   */

  // System.out.println(htmlurl+"网页内容结束");
  /*
   * System.out.println(htmlurl+"网页脚本开始:"); List
   * script=wc.getScript(html); for(int i=0;i<script.size();i++){
   * System.out.println(script.get(i)); }
   * System.out.println(htmlurl+"网页脚本结束:");
   *
   * System.out.println(htmlurl+"CSS开始:"); List css=wc.getCSS(html);
   * for(int i=0;i<css.size();i++){ System.out.println(css.get(i)); }
   * System.out.println(htmlurl+"CSS结束:");
   *
   * System.out.println(htmlurl+"全部链接内容开始:"); List list=wc.getLink(html);
   * for(int i=0;i<list.size();i++){ link=list.get(i).toString(); }
   * System.out.println(htmlurl+"全部链接内容结束:");
   *
   * System.out.println("内容"); System.out.println(wc.outTag(html));
   */
 }
}

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;

/** *//**
 * 
 * 
@author 晓峰2007.1.18 抓取雅虎知识堂的文章标题及内容(测试) 手动输入网址抓取,可进一步自动抓取整个知识堂的全部内容
 * 
 
*/

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()) 
分享到:
评论
1 楼 top_fly 2010-07-06  
真是我的及时雨

相关推荐

    Java使用正则表达式提取XML节点内容的方法示例

    Java使用正则表达式提取XML节点内容的方法示例主要介绍了Java使用正则表达式提取XML节点内容的方法,结合具体实例形式分析了java针对xml格式字符串的正则匹配相关操作技巧。 一、正则表达式简介 正则表达式是指一...

    java正则表达式使用.docx

    java正则表达式使用.docx 资源

    正则表达式 操作 匹配 读取

    正则表达式是一种强大的文本处理工具,用于匹配、查找、替换和分析字符串。在Java中,正则表达式被广泛应用于字符串操作,特别是在处理HTML文件、提取邮箱信息等任务上。下面将详细介绍Java中正则表达式的使用和相关...

    java IO系统与正则表达式

    综合运用Java IO系统和正则表达式,可以有效地处理和分析数据,无论是简单的文件读写还是复杂的文本处理任务,都能展现出强大的功能。学习和掌握这两个核心技术,对于Java开发人员来说至关重要,能大大提高其在实际...

    java正则表达式匹配网页所有网址和链接文字的示例

    在Java编程中,正则表达式是处理文本模式匹配的强大工具,尤其在处理网页内容时,如提取网址和链接文字。这个示例展示了如何使用Java的正则表达式来匹配网页中的所有网址和链接文字。下面将详细讲解相关知识点。 1....

    基于Java实现正则表达式提取关键字并插入数据库

    在本项目中,我们主要探讨如何使用Java编程语言来实现正则表达式的关键字提取,并将这些关键字存储到MySQL数据库中。这是一个常见的任务,尤其是在数据分析、日志处理或信息提取等场景下。以下是对这个过程的详细...

    Java用正则表达式如何读取网页内容

    在给定的示例中,我们看到一个简单的Java程序,它展示了如何使用正则表达式来读取和解析网页的内容,包括获取文章标题和链接。下面我们将深入探讨这个话题。 首先,`getOneHtml`方法用于从指定的URL获取网页的全部...

    python正则表达式例子

    根据提供的文件信息,我们可以深入探讨正则表达式在Python中的应用。正则表达式是一种强大的文本处理工具,能够帮助我们高效地完成字符串的查找、替换等操作。下面将结合具体的例子来详细介绍正则表达式的使用方法...

    正则表达式计数代码行数

    正则表达式是一种强大的文本处理工具,用于匹配、查找、替换和分析字符串模式。在编程领域,它被广泛应用于各种任务,包括数据提取、验证输入、格式化输出以及本例中的代码行计数。本教程将详细介绍如何使用正则...

    使用正则表达式抓取页面Email

    在IT行业中,正则表达式(Regular Expression)是一种强大的文本处理工具,尤其在网页数据抓取和信息提取方面,它的作用不可小觑。本篇我们将深入探讨如何利用正则表达式来抓取网页中的电子邮件地址。 电子邮件地址...

    Java正则表达式 ppt

    Java正则表达式是编程语言Java中用于处理字符串的强大工具,它允许程序员通过模式匹配来查找、替换或分割文本。这份名为"2006_06_06_190943_yEVnCAdkBr.ppt"的PPT资料详细介绍了Java中的正则表达式用法,涵盖了基本...

    条码是否满足正则表达式测试

    2. **正则匹配**:然后,程序会使用正则表达式库(如Python的`re`模块或Java的`java.util.regex`包)来检查输入的条码字符串是否符合预设的正则模式。 3. **校验位验证**:如果正则匹配成功,程序将进一步验证校验...

    JAVA正则表达式小程序

    本项目"JAVA正则表达式小程序"利用Java语言结合正则表达式,实现了从网页中抓取特定内容并存储为CSV(Comma-Separated Values)文件的功能。下面我们将深入探讨Java中的正则表达式以及如何与CSV文件操作相结合。 1....

    陕西移动号段表及正则表达式

    正则表达式的使用需要一定的编程基础,常见的编程语言如Python、JavaScript、Java等都支持正则表达式。通过编程,我们可以方便地读取这个文本文件,并将其中的正则表达式应用于实际的数据处理任务中。 总的来说,这...

    chapter4_java_字符_正则表达式_

    在Java编程语言中,字符和正则表达式是两个非常重要的概念,特别是在处理字符串和数据解析方面。在"chapter4_java_字符_正则表达式_"这个主题中,我们将深入探讨如何利用Java处理英文字符串,并通过正则表达式解析...

    java比较文件_读取输出文件_正则表达式匹配

    1.java读取文件,输出文件 2.java正则表达式匹配* 2个文件内容是:中文 英文,然后分别比较中文部分和英文部分,文件内容如下: 520香烟 520cigarette 678月 678yue A-zone A-zone A.O.史密斯 AOsms ACE床垫 ACE ...

    java中用正则表达式来检测IP地址是否合理,简单又好用。.rar

    如果需要读取并验证这些IP地址,可以使用Java的`BufferedReader`读取文件内容,然后逐行调用`isValid`方法进行检查。 总的来说,利用Java的正则表达式功能,我们可以轻松地对输入的字符串进行IP地址格式的校验,...

Global site tag (gtag.js) - Google Analytics