黑马程序员_JAVA获取网页源代码

最新推荐文章于 2025-09-29 21:37:25 发布

原创最新推荐文章于 2025-09-29 21:37:25 发布 · 置顶 · 1.3k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#java #源代码 #代码 #html

本文介绍了如何使用JAVA获取任意HTTP网页的源代码，并提供了Webpage类的使用方法，帮助开发者进行网页内容的抓取和处理。

JAVA获取网页源代码

　　——- android培训、java培训、期待与您交流！ ———-
JAVA获取任意http网页源代码

获取任意http网页的代码
获取任意http网页去掉HTML标签的代码

Webpage类-

/**
 * 网页操作相关类
 */
package test;
import java.io.BufferedReader;  
import java.io.InputStreamReader;  
import java.net.URL; 
import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
 * @author winddack
 *
 */
public class Webpage {
    private String pageUrl;//定义需要操作的网页地址
    private String pageEncode="UTF8";//定义需要操作的网页的编码

    public String getPageUrl() {
        return pageUrl;
    }

    public void setPageUrl(String pageUrl) {
        this.pageUrl = pageUrl;
    }

    public String getPageEncode() {
        return pageEncode;
    }

    public void setPageEncode(String pageEncode) {
        this.pageEncode = pageEncode;
    }
    //定义取源码的方法
    public String getPageSource() 
    {    
        StringBuffer sb = new StringBuffer();    
        try {    
            //构建一URL对象    
            URL url = new URL(pageUrl);    
            //使用openStream得到一输入流并由此构造一个BufferedReader对象    
            BufferedReader in = new BufferedReader(new InputStreamReader(url.openStream(), pageEncode));    
            String line;    
            //读取www资源    
            while ((line = in.readLine()) != null) 
            {    
                sb.append(line);    
            }    
            in.close();    
        }
        catch (Exception ex) 
        {    
            System.err.println(ex);    
        }    
        return sb.toString();    
    } 
    //定义一个把HTML标签删除过的源码的方法
    public String getPageSourceWithoutHtml()
    { 
        final String regEx_script = "<script[^>]*?>[\\s\\S]*?<\\/script>"; // 定义script的正则表达式  
        final String regEx_style = "<style[^>]*?>[\\s\\S]*?<\\/style>"; // 定义style的正则表达式  
        final String regEx_html = "<[^>]+>"; // 定义HTML标签的正则表达式  
        final String regEx_space = "\\s*|\t|\r|\n";//定义空格回车换行符  

        String htmlStr = getPageSource();//获取未处理过的源码
        Pattern p_script = Pattern.compile(regEx_script, Pattern.CASE_INSENSITIVE);  
        Matcher m_script = p_script.matcher(htmlStr);  
        htmlStr = m_script.replaceAll(""); // 过滤script标签  

        Pattern p_style = Pattern.compile(regEx_style, Pattern.CASE_INSENSITIVE);  
        Matcher m_style = p_style.matcher(htmlStr);  
        htmlStr = m_style.replaceAll(""); // 过滤style标签  

        Pattern p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE);  
        Matcher m_html = p_html.matcher(htmlStr);  
        htmlStr = m_html.replaceAll(""); // 过滤html标签  

        Pattern p_space = Pattern.compile(regEx_space, Pattern.CASE_INSENSITIVE);  
        Matcher m_space = p_space.matcher(htmlStr);  
        htmlStr = m_space.replaceAll(""); // 过滤空格回车标签  
        htmlStr = htmlStr.trim(); // 返回文本字符串  
        htmlStr = htmlStr.replaceAll("&nbsp;", "");  
        htmlStr = htmlStr.substring(0, htmlStr.indexOf("。")+1);  
        return htmlStr;  
    }
}

调用

Webpage page=new Webpage();
        page.setPageUrl("http://www.baidu.com");
        String code=page.getPageSourceWithoutHtml();
        System.out.println(code);