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

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.URL;
import java.util.*;
/**
* Created by chunmiao on 17-3-10.
*/
public class ReadBaiduSearch {
//储存返回结果
private LinkedHashMap<String,String> mapOfBaike;
//获取搜索信息
public LinkedHashMap<String,String> getInfomationOfBaike(String infomationWords) throws IOException {
 mapOfBaike = getResult(infomationWords);
 return mapOfBaike;
}
//通过网络链接获取信息
private static LinkedHashMap<String, String> getResult(String keywords) throws IOException {
 //搜索的url
 String keyUrl = "http://baike.baidu.com/search?word=" + keywords;
 //搜索词条的节点
 String startNode = "<dl class=\"search-list\">";
 //词条的链接关键字
 String keyOfHref = "href=\"";
 //词条的标题关键字
 String keyOfTitle = "target=\"_blank\">";
 String endNode = "</dl>";
 boolean isNode = false;
 String title;
 String href;
 String rLine;
 LinkedHashMap<String,String> keyMap = new LinkedHashMap<String,String>();
 //开始网络请求
 URL url = new URL(keyUrl);
 HttpURLConnection urlConnection = (HttpURLConnection) url.openConnection();
 InputStreamReader inputStreamReader = new InputStreamReader(urlConnection.getInputStream(),"utf-8");
 BufferedReader bufferedReader = new BufferedReader(inputStreamReader);
 //读取网页内容
 while ((rLine = bufferedReader.readLine()) != null){
  //判断目标节点是否出现
  if(rLine.contains(startNode)){
   isNode = true;
  }
  //若目标节点出现，则开始抓取数据
  if (isNode){
   //若目标结束节点出现，则结束读取，节省读取时间
   if (rLine.contains(endNode)) {
    //关闭读取流
    bufferedReader.close();
    inputStreamReader.close();
    break;
   }
   //若值为空则不读取
   if (((title = getName(rLine,keyOfTitle)) != "") && ((href = getHref(rLine,keyOfHref)) != "")){
    keyMap.put(title,href);
   }
  }
 }
 return keyMap;
}
//获取词条对应的url
private static String getHref(String rLine,String keyOfHref){
 String baikeUrl = "http://baike.baidu.com";
 String result = "";
 if(rLine.contains(keyOfHref)){
  //获取url
  for (int j = rLine.indexOf(keyOfHref) + keyOfHref.length();j < rLine.length()&&(rLine.charAt(j) != '\"');j ++){
   result += rLine.charAt(j);
  }
  //获取的url中可能不含baikeUrl,如果没有则在头部添加一个
  if(!result.contains(baikeUrl)){
   result = baikeUrl + result;
  }
 }
 return result;
}
//获取词条对应的名称
private static String getName(String rLine,String keyOfTitle){
 String result = "";
 //获取标题内容
 if(rLine.contains(keyOfTitle)){
  result = rLine.substring(rLine.indexOf(keyOfTitle) + keyOfTitle.length(),rLine.length());
  //将标题中的内容含有的标签去掉
  result = result.replaceAll("<em>|</em>|</a>|<a>","");
 }
 return result;
}
}

来源：http://www.cnblogs.com/sospopo/p/6533797.html