侯体宗的博客
  • 首页
  • Hyperf版
  • beego仿版
  • 人生(杂谈)
  • 技术
  • 关于我
  • 更多分类
    • 文件下载
    • 文字修仙
    • 中国象棋ai
    • 群聊
    • 九宫格抽奖
    • 拼图
    • 消消乐
    • 相册

Java用正则表达式如何读取网页内容

Java  /  管理员 发布于 5年前   452

学习java的正则表达式,抓取网页并解析HTML部分内容  

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("<.*?>", "");  }


  • 上一条:
    Java中使用正则表达式处理文本数据
    下一条:
    Java正则表达式过滤出字母、数字和中文
  • 昵称:

    邮箱:

    0条评论 (评论内容有缓存机制,请悉知!)
    最新最热
    • 分类目录
    • 人生(杂谈)
    • 技术
    • linux
    • Java
    • php
    • 框架(架构)
    • 前端
    • ThinkPHP
    • 数据库
    • 微信(小程序)
    • Laravel
    • Redis
    • Docker
    • Go
    • swoole
    • Windows
    • Python
    • 苹果(mac/ios)
    • 相关文章
    • 在java中实现的脱敏工具类代码示例分享(0个评论)
    • zookeeper安装流程步骤(0个评论)
    • 在java中你背的“八股文”可能已经过时了(2个评论)
    • 在php8.0+版本中使用属性来增加值代码示例(3个评论)
    • java 正则表达式基础,实例学习资料收集大全 原创(0个评论)
    • 近期文章
    • 在go中实现一个常用的先进先出的缓存淘汰算法示例代码(0个评论)
    • 在go+gin中使用"github.com/skip2/go-qrcode"实现url转二维码功能(0个评论)
    • 在go语言中使用api.geonames.org接口实现根据国际邮政编码获取地址信息功能(1个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf分页文件功能(0个评论)
    • gmail发邮件报错:534 5.7.9 Application-specific password required...解决方案(0个评论)
    • 欧盟关于强迫劳动的规定的官方举报渠道及官方举报网站(0个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf文件功能(0个评论)
    • Laravel从Accel获得5700万美元A轮融资(0个评论)
    • 在go + gin中gorm实现指定搜索/区间搜索分页列表功能接口实例(0个评论)
    • 在go语言中实现IP/CIDR的ip和netmask互转及IP段形式互转及ip是否存在IP/CIDR(0个评论)
    • 近期评论
    • 122 在

      学历:一种延缓就业设计,生活需求下的权衡之选中评论 工作几年后,报名考研了,到现在还没认真学习备考,迷茫中。作为一名北漂互联网打工人..
    • 123 在

      Clash for Windows作者删库跑路了,github已404中评论 按理说只要你在国内,所有的流量进出都在监控范围内,不管你怎么隐藏也没用,想搞你分..
    • 原梓番博客 在

      在Laravel框架中使用模型Model分表最简单的方法中评论 好久好久都没看友情链接申请了,今天刚看,已经添加。..
    • 博主 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 @1111老铁这个不行了,可以看看近期评论的其他文章..
    • 1111 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 网站不能打开,博主百忙中能否发个APP下载链接,佛跳墙或极光..
    • 2016-11
    • 2018-03
    • 2020-03
    • 2023-05
    • 2023-11
    • 2024-01
    Top

    Copyright·© 2019 侯体宗版权所有· 粤ICP备20027696号 PHP交流群

    侯体宗的博客