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()) ...{
list.add(ma.group());
}
return list;
}
/** *//**
*
* @param s
* @return 去掉标记
*/
public String outTag(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(String s) ...{
HashMap<String, String> hm = new HashMap<String, String>();
StringBuffer sb = new StringBuffer();
String html="";
System.out.println(" ------------------开始读取网页(" + s
+ ")--------------------");
try...{
html= getOneHtml(s);
}catch(Exception e)...{
e.getMessage();
}
// System.out.println(html);
System.out.println("------------------读取网页(" + s
+ ")结束-------------------- ");
System.out.println("------------------分析(" + s
+ ")结果如下-------------------- ");
String title = outTag(getTitle(html));
title = title.replaceAll("_雅虎知识堂", "");
// Pattern pa=Pattern.compile("<div
// class="original">(.*?)(( )*)(.*?)(( )*)(.*?)</div>",Pattern.DOTALL);
Pattern pa = Pattern.compile("<div class="original">(.*?)</p></div>",
Pattern.DOTALL);
Matcher ma = pa.matcher(html);
while (ma.find()) ...{
sb.append(ma.group());
}
String temp = sb.toString();
temp = temp.replaceAll("(<br>)+?", " ");// 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(String args[]) ...{
String url="";
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: ");
/**//*
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
*/
BufferedReader br = new BufferedReader(new InputStreamReader(System.in));
try ...{
while(!(url=br.readLine()).equals("go"))...{
list.add(url);
}
} catch (Exception e) ...{
e.getMessage();
}
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: " + 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: " + 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.*?)(( )*)(.*?)(( )*)(.*?)(</script>)","
* ");//去除脚本 html=html.replaceAll("(<style.*?)(( )*)(.*?)(( )*)(.*?)(</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));
*/
}
}
分享到:
相关推荐
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。它们在计算机科学中扮演着重要角色,特别是在编程语言、文本编辑器和搜索引擎中。正则表达式通常简称为“regex”或“regexp”,可以...
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...
2. **sed**:流编辑器(Stream Editor)sed支持基本和扩展正则表达式,它可以在读取文件或管道输入时进行实时编辑。sed不仅可以查找匹配的行,还可以替换、删除、插入文本,甚至可以执行循环和条件语句,功能相对...
kettle 根据系统时间加正则表达式动态匹配获取多个文本文件
在本例中,我们探讨的是如何使用C#语言动态加载配置文件(config文件)来获取正则表达式,然后用这些表达式来验证用户输入的内容是否符合预设的规范。下面我们将深入讨论这个过程中的关键知识点。 1. **配置文件...
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...
加载时读取文件内容并填充到输入框。 3. 使用XML或JSON格式存储规则,因为它们易于解析且结构清晰。例如,每个规则可以是一个包含正则表达式和名称的XML节点。 4. 创建一个对照表资源文件,包含正则表达式元字符和...
本文将基于给定的部分代码内容,深入探讨正则表达式到NFA转换的过程、关键步骤以及实现细节。 #### 正则表达式与NFA的关系 正则表达式是一种用于描述字符串模式的语言,它由一系列字符和元字符组成,可以用来描述...
这段代码会从`aaa.txt`文件中读取内容,使用正则表达式查找所有URL和E-mail地址,并分别打印出来。当然,实际的网页数据可能需要进行预处理,如去除HTML标签、编码转换等。 总之,通过正则表达式,我们可以高效地从...
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...
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....
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...
本项目涉及的是一个使用汇编语言编写的正则表达式判断程序,这在编程世界中是一个独特的实现,因为正则表达式通常是用高级语言如C、Python或JavaScript等编写的。 正则表达式(Regular Expression,简称regex)是一...
正则表达式在判断二进制数的整除性中的应用 在计算机科学中,正则表达式是一个强大的工具,用于模式匹配和字符串处理。本文将探讨如何使用正则表达式判断二进制数的整除性,特别是如何使用正则表达式判断一个二进制...
在这个示例中,我们首先通过`BufferedReader`读取用户输入的正则表达式和目标字符串。然后,我们创建了一个`Pattern`对象来编译正则表达式,接着使用该`Pattern`对象创建一个`Matcher`对象来查找匹配的子字符串。 #...
程序的目标是从文件中读取一系列字符串,并根据用户输入的正则表达式来过滤这些字符串,输出所有与该正则表达式匹配的字符串。 #### 程序解析 ##### 文件读取与字符串存储 程序首先打开一个名为`string.txt`的...
本篇文章将深入探讨如何在objc中本地读取网页内容以及利用正则表达式进行数据处理。这两个技术是移动应用开发中不可或缺的部分,特别是在涉及到网络数据抓取、解析和筛选时。 首先,我们来看如何在objc中本地读取...
由于项目需求,自己需要将带有链接的标签去除,例如 头晕,转换后的文档为头晕。 由于说明书数量太大(100,569)自己...读取每一个筛选到的文件,利用正则表达式去除超链接符号。 3.将每一个处理过的文件重写回源文件。