代碼如下:
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.*;
/*
根據指定的規則,通過構造正則表達式獲取網址
*/
public class Urls
{
private String startUrl; //開始采集網址
String urlContent;
String ContentArea;
private String strAreaBegin ,strAreaEnd ; //采集區域開始采集字符串和結束采集字符串
private String stringInUrl,stringNotInUrl;
String strContent;//獲得的采集內容
String[] allUrls; //采集到的所有網址
private String regex; //采集規則
UrlAndTitle urlAndTitle=new UrlAndTitle(); //存儲網址和標題
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);
}
//初始化構造函數 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++;
//獲取標題
Matcher title=Pattern.compile(">.*?</a>").matcher(mt.group());
while(title.find())
{
System.out.println("標題:"+title.group().replaceAll(">|</a>",""));
}
//獲取網址
Matcher myurl=Pattern.compile("href=.*?>").matcher(mt.group());
while(myurl.find())
{
System.out.println("網址:"+myurl.group().replaceAll("href=|>",""));
}
System.out.println();
}
System.out.println("共有"+i+"個符合結果");
}
//獲得開始采集網址
public void getStartUrl(String startUrl)
{
this.startUrl=startUrl;
}
//獲得網址所在內容;
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("網址文件未能輸出");
e.printStackTrace();
}
}
//獲得網址所在的匹配區域部分
public void getContentArea()
{
int pos1=0,pos2=0;
pos1= urlContent.indexOf(strAreaBegin)+strAreaBegin.length();
pos2=urlContent.indexOf(strAreaEnd,pos1);
ContentArea=urlContent.substring(pos1,pos2);
}
//以下兩個函數獲得網址應該要包含的關鍵字及不能包含的關鍵字
//這里只做初步的實驗。后期,保護的關鍵字及不能包含的關鍵字應該是不只一個的。
public void getStringInUrl(String stringInUrl)
{
this.stringInUrl=stringInUrl;
}
public void getStringNotInUrl(String stringNotInUrl)
{
this.stringNotInUrl=stringNotInUrl;
}
//獲取采集規則
//獲取url網址
public void getUrl()
{
}
public String getRegex()
{
return regex;
}
class UrlAndTitle
{
String myURL;
String title;
}
}