java利用url实现网页内容的抓取

闲来无事，刚学会把git部署到远程服务器，没事做，所以简单做了一个抓取网页信息的小工具，里面的一些数值如果设成参数的话可能扩展性能会更好！希望这是一个好的开始把，也让我对字符串的读取掌握的更加熟练了，值得注意的是JAVA1.8 里面在使用String拼接字符串的时候，会自动把你要拼接的字符串用StringBulider来处理，大大优化了String 的性能，闲话不多说，show my XXX code～

 运行效果：

 

首先打开百度百科，搜索词条，比如“演员”，再按F12查看源码

 

然后抓取你想要的标签，注入LinkedHashMap里面就ok了，很简单是吧！看看代码罗

  1 import java.io.BufferedReader;
  2 import java.io.IOException;
  3 import java.io.InputStreamReader;
  4 import java.net.HttpURLConnection;
  5 import java.net.URL;
  6 import java.util.*;
  7 
  8 /**
  9  * Created by chunmiao on 17-3-10.
 10  */
 11 public class ReadBaiduSearch {
 12 
 13     //储存返回结果
 14     private LinkedHashMap<String,String> mapOfBaike;
 15 
 16 
 17     //获取搜索信息
 18     public LinkedHashMap<String,String> getInfomationOfBaike(String infomationWords) throws IOException {
 19         mapOfBaike = getResult(infomationWords);
 20         return mapOfBaike;
 21     }
 22 
 23     //通过网络链接获取信息
 24     private static LinkedHashMap<String, String> getResult(String keywords) throws IOException {
 25         //搜索的url
 26         String keyUrl = "http://baike.baidu.com/search?word=" + keywords;
 27         //搜索词条的节点
 28         String startNode = "<dl class=\"search-list\">";
 29         //词条的链接关键字
 30         String keyOfHref = "href=\"";
 31         //词条的标题关键字
 32         String keyOfTitle = "target=\"_blank\">";
 33 
 34         String endNode = "</dl>";
 35 
 36         boolean isNode = false;
 37 
 38         String title;
 39 
 40         String href;
 41 
 42         String rLine;
 43 
 44         LinkedHashMap<String,String> keyMap = new LinkedHashMap<String,String>();
 45 
 46         //开始网络请求
 47         URL url = new URL(keyUrl);
 48         HttpURLConnection urlConnection = (HttpURLConnection) url.openConnection();
 49         InputStreamReader inputStreamReader = new InputStreamReader(urlConnection.getInputStream(),"utf-8");
 50         BufferedReader bufferedReader = new BufferedReader(inputStreamReader);
 51 
 52         //读取网页内容
 53         while ((rLine = bufferedReader.readLine()) != null){
 54             //判断目标节点是否出现
 55             if(rLine.contains(startNode)){
 56                 isNode = true;
 57             }
 58             //若目标节点出现，则开始抓取数据
 59             if (isNode){
 60                 //若目标结束节点出现，则结束读取，节省读取时间
 61                 if (rLine.contains(endNode)) {
 62                     //关闭读取流
 63                     bufferedReader.close();
 64                     inputStreamReader.close();
 65                     break;
 66                 }
 67                 //若值为空则不读取
 68                 if (((title = getName(rLine,keyOfTitle)) != "") && ((href = getHref(rLine,keyOfHref)) != "")){
 69                     keyMap.put(title,href);
 70                 }
 71             }
 72         }
 73         return keyMap;
 74     }
 75 
 76     //获取词条对应的url
 77     private static String getHref(String rLine,String keyOfHref){
 78         String baikeUrl = "http://baike.baidu.com";
 79         String result = "";
 80         if(rLine.contains(keyOfHref)){
 81             //获取url
 82             for (int j = rLine.indexOf(keyOfHref) + keyOfHref.length();j < rLine.length()&&(rLine.charAt(j) != '\"');j ++){
 83                 result += rLine.charAt(j);
 84             }
 85             //获取的url中可能不含baikeUrl,如果没有则在头部添加一个
 86             if(!result.contains(baikeUrl)){
 87                 result = baikeUrl + result;
 88             }
 89         }
 90         return result;
 91     }
 92 
 93     //获取词条对应的名称
 94     private static String getName(String rLine,String keyOfTitle){
 95         String result = "";
 96         //获取标题内容
 97         if(rLine.contains(keyOfTitle)){
 98             result = rLine.substring(rLine.indexOf(keyOfTitle) + keyOfTitle.length(),rLine.length());
 99             //将标题中的内容含有的标签去掉
100             result = result.replaceAll("<em>|</em>|</a>|<a>","");
101         }
102         return result;
103     }
104 
105 }

View Code

 

现在都好晚了，去睡觉了...