Java获取任意http网页源代码的方法
作者:dackwind 时间:2022-07-06 01:45:37
本文实例讲述了JAVA获取任意http网页源代码。分享给大家供大家参考,具体如下:
JAVA获取任意http网页源代码可实现如下功能:
1. 获取任意http网页的代码
2. 获取任意http网页去掉HTML标签的代码
Webpage类:
/**
* 网页操作相关类
*/
package test;
import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URL;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
* @author winddack
*
*/
public class Webpage {
private String pageUrl;//定义需要操作的网页地址
private String pageEncode="UTF8";//定义需要操作的网页的编码
public String getPageUrl() {
return pageUrl;
}
public void setPageUrl(String pageUrl) {
this.pageUrl = pageUrl;
}
public String getPageEncode() {
return pageEncode;
}
public void setPageEncode(String pageEncode) {
this.pageEncode = pageEncode;
}
//定义取源码的方法
public String getPageSource()
{
StringBuffer sb = new StringBuffer();
try {
//构建一URL对象
URL url = new URL(pageUrl);
//使用openStream得到一输入流并由此构造一个BufferedReader对象
BufferedReader in = new BufferedReader(new InputStreamReader(url.openStream(), pageEncode));
String line;
//读取www资源
while ((line = in.readLine()) != null)
{
sb.append(line);
}
in.close();
}
catch (Exception ex)
{
System.err.println(ex);
}
return sb.toString();
}
//定义一个把HTML标签删除过的源码的方法
public String getPageSourceWithoutHtml()
{
final String regEx_script = "<script[^>]*?>[\\s\\S]*?<\\/script>"; // 定义script的正则表达式
final String regEx_style = "<style[^>]*?>[\\s\\S]*?<\\/style>"; // 定义style的正则表达式
final String regEx_html = "<[^>]+>"; // 定义HTML标签的正则表达式
final String regEx_space = "\\s*|\t|\r|\n";//定义空格回车换行符
String htmlStr = getPageSource();//获取未处理过的源码
Pattern p_script = Pattern.compile(regEx_script, Pattern.CASE_INSENSITIVE);
Matcher m_script = p_script.matcher(htmlStr);
htmlStr = m_script.replaceAll(""); // 过滤script标签
Pattern p_style = Pattern.compile(regEx_style, Pattern.CASE_INSENSITIVE);
Matcher m_style = p_style.matcher(htmlStr);
htmlStr = m_style.replaceAll(""); // 过滤style标签
Pattern p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE);
Matcher m_html = p_html.matcher(htmlStr);
htmlStr = m_html.replaceAll(""); // 过滤html标签
Pattern p_space = Pattern.compile(regEx_space, Pattern.CASE_INSENSITIVE);
Matcher m_space = p_space.matcher(htmlStr);
htmlStr = m_space.replaceAll(""); // 过滤空格回车标签
htmlStr = htmlStr.trim(); // 返回文本字符串
htmlStr = htmlStr.replaceAll(" ", "");
htmlStr = htmlStr.substring(0, htmlStr.indexOf("。")+1);
return htmlStr;
}
}
调用:
Webpage page=new Webpage();
page.setPageUrl("http://www.baidu.com");
String code=page.getPageSourceWithoutHtml();
System.out.println(code);
PS:这里再为大家提供2款非常方便的正则表达式工具供大家参考使用:
JavaScript正则表达式在线测试工具:
http://tools.jb51.net/regex/javascript
正则表达式在线生成工具:
http://tools.jb51.net/regex/create_reg
希望本文所述对大家java程序设计有所帮助。
来源:http://blog.csdn.net/dackwind/article/details/48732083
标签:Java,网页,源代码
0
投稿
猜你喜欢
简介Java的Hibernate框架中的Session和持久化类
2023-04-17 14:41:13
C语言实现代码雨效果
2021-11-26 18:11:20
C#中DateTime日期类型格式化显示方法汇总
2021-07-20 15:52:30
C#净化版WebApi框架的实现
2021-10-31 03:59:09
Java单元测试工具之JUnit的使用
2022-09-05 13:20:54
Java 高并发五:JDK并发包1详细介绍
2022-11-29 08:56:26
浅谈Android ANR的信息收集过程
2023-12-02 00:54:00
Java实现的读取资源文件工具类ResourcesUtil实例【可动态更改值的内容】
2022-01-15 17:27:12
20.5 语音合成(百度2016年2月29日发布的tts引擎)
2022-06-26 06:55:01
Java TCP网络通信协议详细讲解
2022-09-26 09:04:22
C#表达式目录树示例详解
2021-10-01 01:52:46
Android 校验email是否合法实现代码
2021-06-02 05:18:24
Java如何从json字符串中获取某个值详解
2023-11-18 12:18:12
Java仿12306图片验证码
2022-09-29 05:36:08
简略分析Android的Retrofit应用开发框架源码
2023-09-17 22:12:30
经典排序算法之冒泡排序(Bubble sort)代码
2021-06-08 06:06:18
Android 判断SIM卡属于哪个移动运营商详解及实例
2023-08-25 15:29:39
JavaMail实现邮件发送的方法
2023-08-18 06:37:38
java emoji表情存储的解决方法
2023-07-10 20:19:06
华为鸿蒙系统应用开发工具 DevEco Studio的安装和使用图文教程
2022-09-14 05:04:23