Java正则表达式获取网页所有网址和链接文字

/*获取网址首页的所有网址和链接文字*/


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;



import java.net.*;
import java.io.*;
import java.util.regex.*;

/*
根据指定的规则,通过构造正则表达式获取网址
*/


public class Urls
...{
    
private String startUrl;                                         //开始采集网址
    String  urlContent;
    String ContentArea;
    
private String strAreaBegin ,strAreaEnd ;            //采集区域开始采集字符串和结束采集字符串
    private String stringInUrl,stringNotInUrl;        
    String strContent;
//获得的采集内容
    String[] allUrls;                                                            //采集到的所有网址
    private String  regex;                                                 //采集规则
    
    UrlAndTitle   urlAndTitle
=new UrlAndTitle();    //存储网址和标题                    
    
    
    
public static void main(String[] args)
    
...{
         Urls myurl
=new Urls("<body","/body>");
         myurl.getStartUrl("http://www.zuzwn.com/");

         myurl.getUrlContent();
         myurl.getContentArea();
         myurl.getStartUrl("http://www.zuzwn.com/");

         myurl.getStringNotInUrl(
"google");
         myurl.Urls();
         
        
//System.out.println("startUrl:"+myurl.startUrl);
        
//System.out.println("urlcontent:"+myurl.urlContent);
        
//System.out.println("ContentArea:"+myurl.ContentArea);
 
    }

    
    
    
//初始化构造函数 strAreaBegin 和strAreaEnd
 
    
public Urls (String strAreaBegin,String strAreaEnd)
    
...{
        
this.strAreaBegin=strAreaBegin;
        
this.strAreaEnd=strAreaEnd;
  }

  
  
//
    public void Urls()
    
...{
        
int i=0;
        
//String regex ="<a href="?'?http://[a-zA-Z0-9]+/.[a-zA-Z0-9]+/.[a-zA-Z]+/?[/.?[/S|/s]]+[a>]$";
        String regex ="<a.*?/a>";
         
//String regex ="http://.*?>";
        Pattern pt=Pattern.compile(regex);
        Matcher mt
=pt.matcher(ContentArea);
        
while(mt.find())
         
...{
                 System.out.println(mt.group());
                 i
++;
                 
                 
//获取标题
                 Matcher title=Pattern.compile(">.*?</a>").matcher(mt.group()); 
                 
while(title.find())
                 
...{
                      System.out.println(
"标题:"+title.group().replaceAll(">|</a>",""));
                 }

                 
                 
//获取网址
                 Matcher myurl=Pattern.compile("href=.*?>").matcher(mt.group()); 
                 
while(myurl.find())
                 
...{
                      System.out.println(
"网址:"+myurl.group().replaceAll("href=|>",""));
                 }

                 
                 System.out.println();
                 
                 
         }

      
        System.out.println(
"共有"+i+"个符合结果");
        
    }
    
 
    
    
//获得开始采集网址
    public void getStartUrl(String startUrl)
    
...{
        
this.startUrl=startUrl;
    }

    
    
//获得网址所在内容;
    public void getUrlContent()
    
...{
        
        StringBuffer is
=new StringBuffer();
        
try
        
...{
            URL myUrl
=new URL(startUrl);
            BufferedReader br
= new BufferedReader(
                                                        
new InputStreamReader(myUrl.openStream()));
                                                            
            String s;                                                
            
while((s=br.readLine())!=null)
            
...{
                is.append(s);
            }
                                            
            urlContent
=is.toString();
        }

    
catch(Exception e)
    
    
...
        System.out.println(
"网址文件未能输出");
        e.printStackTrace();
    }

        
        
    }

     
    
    
//获得网址所在的匹配区域部分
    public void getContentArea()
    
...{
         
int pos1=0,pos2=0;
         pos1
= urlContent.indexOf(strAreaBegin)+strAreaBegin.length();
         pos2
=urlContent.indexOf(strAreaEnd,pos1);
         ContentArea
=urlContent.substring(pos1,pos2); 
    }

    
    
//以下两个函数获得网址应该要包含的关键字及不能包含的关键字
    
//这里只做初步的实验。后期,保护的关键字及不能包含的关键字应该是不只一个的。
    public void getStringInUrl(String stringInUrl)
    
...{
         
this.stringInUrl=stringInUrl;        
          
    }

    
    
public void getStringNotInUrl(String stringNotInUrl)
    
...{
        
this.stringNotInUrl=stringNotInUrl;
    }

    
    
//获取采集规则
    
    
//获取url网址
    public void getUrl()
    
...{
     
    }

    
    
public String getRegex()
    
...{
        
return regex;
        
    }

    
    
class UrlAndTitle
    
...{
        String myURL;
        String title;
    }

}

转载于:https://www.cnblogs.com/zuzwn/p/3614978.html

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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
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