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
java正则表达式使用.docx 资源
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...
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...
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....
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...
本文将深入探讨如何使用Java结合正则表达式来读取和解析网页内容,包括获取网页标题、链接以及脚本代码等重要信息。 首先,我们需要了解基本的Java网络I/O操作。在提供的代码中,`getOneHtml` 方法负责从指定的URL...
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。
在词法分析中,我们用正则表达式定义语言的各个部分,如标识符、关键字、运算符等。 接下来,我们将正则表达式转化为非确定性有限自动机(NFA)。NFA是一种有开始状态和结束状态的图,其中每个节点代表一种状态,每...
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...
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C语言中,虽然标准库没有内置正则表达式的支持,但可以通过第三方库如POSIX(Portable Operating System Interface)来实现正则...
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....
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...
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...