java正则表达式匹配网页所有网址和链接文字的示例

复制代码代码如下:

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.*;

/*

根据指定的规则，通过构造正则表达式获取网址

*/

public class Urls

{

private String startUrl; //开始采集网址

String urlContent;

String ContentArea;

private String strAreaBegin ,strAreaEnd ; //采集区域开始采集字符串和结束采集字符串

private String stringInUrl,stringNotInUrl;

String strContent;//获得的采集内容

String[] allUrls; //采集到的所有网址

private String regex; //采集规则

UrlAndTitle urlAndTitle=new UrlAndTitle(); //存储网址和标题

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);

}

//初始化构造函数 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++;

//获取标题

Matcher title=Pattern.compile(">.*?</a>").matcher(mt.group());

while(title.find())

{

System.out.println("标题:"+title.group().replaceAll(">|</a>",""));

}

//获取网址

Matcher myurl=Pattern.compile("href=.*?>").matcher(mt.group());

while(myurl.find())

{

System.out.println("网址:"+myurl.group().replaceAll("href=|>",""));

}

System.out.println();

}

System.out.println("共有"+i+"个符合结果");

}

//获得开始采集网址

public void getStartUrl(String startUrl)

{

this.startUrl=startUrl;

}

//获得网址所在内容;

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("网址文件未能输出");

e.printStackTrace();

}

}

//获得网址所在的匹配区域部分

public void getContentArea()

{

int pos1=0,pos2=0;

pos1= urlContent.indexOf(strAreaBegin)+strAreaBegin.length();

pos2=urlContent.indexOf(strAreaEnd,pos1);

ContentArea=urlContent.substring(pos1,pos2);

}

//以下两个函数获得网址应该要包含的关键字及不能包含的关键字

//这里只做初步的实验。后期，保护的关键字及不能包含的关键字应该是不只一个的。

public void getStringInUrl(String stringInUrl)

{

this.stringInUrl=stringInUrl;

}

public void getStringNotInUrl(String stringNotInUrl)

{

this.stringNotInUrl=stringNotInUrl;

}

//获取采集规则

//获取url网址

public void getUrl()

{

}

public String getRegex()

{

return regex;

}

class UrlAndTitle

{

String myURL;

String title;

}

}