java 爬取网页内容。 标题、图片等


package com.fh.util;

import java.io.BufferedReader;

import java.io.IOException;

import java.io.InputStream;

import java.io.InputStreamReader;

import java.net.URL;

import java.net.URLConnection;

import java.util.ArrayList;

import java.util.List;

import java.util.regex.Matcher;

import java.util.regex.Pattern;

/**

* 说明:爬取网页

* 作者:FH Admin

* from:fhadmin.cn

*/

public class GetWeb {

/**

* 获取当前网页的code

*

* @param httpUrl

*            网页地址

* @return

* @throws IOException

*/

public static String getHtmlCode(String httpUrl) throws IOException {

String content = ""; // 定义字符串content

URL url = new URL(httpUrl); // 生成传入的URL的对象

BufferedReader reader = new BufferedReader(new InputStreamReader(

url.openStream(), "utf-8"));// 获得当前url的字节流(缓冲)

String input;

while ((input = reader.readLine()) != null) { // 当前行存在数据时

content += input; // 将读取数据赋给content

}

reader.close(); // 关闭缓冲区

return content;

}

/**

* 把网页中的所有图片的完整路径放到list里面

*

* @param wwwurl

*            要爬的网页连接

* @throws IOException

*/

public static List<String> getImagePathList(String httpUrl)

throws IOException {

// 通过扩展名匹配网页图片的正则表达式

// String searchImgReg =

// "(?x)(src|SRC|background|BACKGROUND)=('|\")/?(([\\w-]+/)*([\\w-]+\\.(jpg|JPG|png|PNG|gif|GIF)))('|\")";

// String searchImgReg2 =

// "(?x)(src|SRC|background|BACKGROUND)=('|\")(http://([\\w-]+\\.)+[\\w-]+(:[0-9]+)*(/[\\w-]+)*(/[\\w-]+\\.(jpg|JPG|png|PNG|gif|GIF)))('|\")";

// 通过img标签匹配网页图片的正则表达式

String searchImgReg = "<(img|IMG)\\b[^>]*\\b(src|SRC|src2|SRC2)\\b\\s*=\\s*('|\")?([^'\"\n\r\f>]+(\\.jpg|\\.bmp|\\.eps|\\.gif|\\.mif|\\.miff|\\.png|\\.tif|\\.tiff|\\.svg|\\.wmf|\\.jpe|\\.jpeg|\\.dib|\\.ico|\\.tga|\\.cut|\\.pic)\\b)[^>]*>";

List<String> imgList = new ArrayList<String>(); // 存放图片的list

String content = null;

content = getHtmlCode(httpUrl); // 获得content

Pattern pattern = Pattern.compile(searchImgReg); // 讲编译的正则表达式对象赋给pattern

Matcher matcher = pattern.matcher(content); // 对字符串content执行正则表达式

while (matcher.find()) {

String quote = matcher.group(3);

String imgsrc = (quote == null || quote.trim().length() == 0) ? matcher.group(4).split("\\s+")[0] : matcher.group(4);

if (!imgsrc.startsWith("http://") && !imgsrc.startsWith("https://")) { // 检验地址是否http://

String[] httpUrlarr = httpUrl.split("/");

String wwwhost = httpUrlarr[0] + "//" + httpUrlarr[2]; //获取域名完整地址

if(!isNetFileAvailable(wwwhost + "/" + imgsrc)){

for(int i=3;i<httpUrlarr.length;i++){

wwwhost = wwwhost + "/" + httpUrlarr[i];

if(isNetFileAvailable(wwwhost + "/" + imgsrc)){

imgsrc = wwwhost + "/" + imgsrc;

break;

}

}

}else{

imgsrc = wwwhost + "/" + imgsrc;

}

}

imgList.add(imgsrc);

}

return imgList;

}

/**

* 获取网页的标题

*

* @param httpUrl

*            要爬的网页连接

* @return

*/

public static String getTilte(String httpUrl) {

String searchTitle = "(<title>|<TITLE>)(.*?)(</title>|</TITLE>)"; // 获取网页的标题的正则表达式

Pattern pattern = Pattern.compile(searchTitle); // 获得content

try {

Matcher matcher = pattern.matcher(getHtmlCode(httpUrl));

while (matcher.find()) {

return matcher.group(2);

}

} catch (IOException e) {

e.printStackTrace();

}

return null;

}

/**

* 检测网络资源是否存在

*

* @param strUrl

* @return

*/

public static boolean isNetFileAvailable(String strUrl) {

InputStream netFileInputStream = null;

try {

URL url = new URL(strUrl);

URLConnection urlConn = url.openConnection();

netFileInputStream = urlConn.getInputStream();

if (null != netFileInputStream) {

return true;

} else {

return false;

}

} catch (IOException e) {

return false;

} finally {

try {

if (netFileInputStream != null)

netFileInputStream.close();

} catch (IOException e) {

}

}

}

}

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,992评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,212评论 3 388
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,535评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,197评论 1 287
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,310评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,383评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,409评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,191评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,621评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,910评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,084评论 1 342
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,763评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,403评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,083评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,318评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,946评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,967评论 2 351

推荐阅读更多精彩内容