使用Java抓取网页中所有的链接

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.URL;
import java.util.ArrayList;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class HtmlParser {
	/**
	 * 要分析的网页
	 */
	String htmlUrl;

	/**
	 * 分析结果
	 */
	ArrayList<String> hrefList = new ArrayList();

	/**
	 * 网页编码方式
	 */
	String charSet;

	public HtmlParser(String htmlUrl) {
		// TODO 自动生成的构造函数存根
		this.htmlUrl = htmlUrl;
	}

	/**
	 * 获取分析结果
	 * 
	 * @throws IOException
	 */
	public ArrayList<String> getHrefList() throws IOException {

		parser();
		return hrefList;
	}

	/**
	 * 解析网页链接
	 * 
	 * @return
	 * @throws IOException
	 */
	private void parser() throws IOException {
		URL url = new URL(htmlUrl);
		HttpURLConnection connection = (HttpURLConnection) url.openConnection();
		connection.setDoOutput(true);

		String contenttype = connection.getContentType();
		charSet = getCharset(contenttype);

		InputStreamReader isr = new InputStreamReader(
				connection.getInputStream(), charSet);
		BufferedReader br = new BufferedReader(isr);

		String str = null, rs = null;
		while ((str = br.readLine()) != null) {
			rs = getHref(str);

			if (rs != null)
				hrefList.add(rs);
		}

	}

	/**
	 * 获取网页编码方式
	 * 
	 * @param str
	 */
	private String getCharset(String str) {
		Pattern pattern = Pattern.compile("charset=.*");
		Matcher matcher = pattern.matcher(str);
		if (matcher.find())
			return matcher.group(0).split("charset=")[1];
		return null;
	}

	/**
	 * 从一行字符串中读取链接
	 * 
	 * @return
	 */
	private String getHref(String str) {
		Pattern pattern = Pattern.compile("<a href=.*</a>");
		Matcher matcher = pattern.matcher(str);
		if (matcher.find())
			return matcher.group(0);
		return null;
	}

	public static void main(String[] arg) throws IOException {
		HtmlParser a = new HtmlParser("http://news.163.com/");
		ArrayList<String> hrefList = a.getHrefList();
		for (int i = 0; i < hrefList.size(); i++)
			System.out.println(hrefList.get(i));

	}

}

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

刘元涛

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值