-
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) { } } } }
来源:https://www.cnblogs.com/m170981362621/p/15329799.html
最新更新
python爬虫及其可视化
使用python爬取豆瓣电影短评评论内容
nodejs爬虫
Python正则表达式完全指南
爬取豆瓣Top250图书数据
shp 地图文件批量添加字段
爬虫小试牛刀(爬取学校通知公告)
【python基础】函数-初识函数
【python基础】函数-返回值
HTTP请求:requests模块基础使用必知必会
SQL SERVER中递归
2个场景实例讲解GaussDB(DWS)基表统计信息估
常用的 SQL Server 关键字及其含义
动手分析SQL Server中的事务中使用的锁
openGauss内核分析:SQL by pass & 经典执行
一招教你如何高效批量导入与更新数据
天天写SQL,这些神奇的特性你知道吗?
openGauss内核分析:执行计划生成
[IM002]Navicat ODBC驱动器管理器 未发现数据
初入Sql Server 之 存储过程的简单使用
uniapp/H5 获取手机桌面壁纸 (静态壁纸)
[前端] DNS解析与优化
为什么在js中需要添加addEventListener()?
JS模块化系统
js通过Object.defineProperty() 定义和控制对象
这是目前我见过最好的跨域解决方案!
减少回流与重绘
减少回流与重绘
如何使用KrpanoToolJS在浏览器切图
performance.now() 与 Date.now() 对比