09-06
12
获得的超链接和超链接文字-采集演绎java的正则表达式
作者:Java伴侣 日期:2009-06-12
功能说明:分析字符串s,提取s里面的超链接和链接文字.并存入动态数组
同时根据指定包含和不包含的字符串进行过滤相关链接。
2008年3月30日
*/
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import java.util.*;
public class RegTest
...{
public static void main(String[] args)
...{
//定义一个文章列表类。包含文章的网址和文章标题
class ArticleList
...{
String URLs;
String title;
public ArticleList()...{}
public ArticleList(String t,String u)
...{
title=t;
URLs=u;
}
public String toString()
...{
return ("标题:"+title+" 网址:"+URLs+" ");
}
}
ArrayList <ArticleList> al=new ArrayList<ArticleList>();
String s="</p><p style=height:14px><a href=http://jingjia.baidu.com>企业推广</a> | <a href=http://top.baidu.com>搜索风云榜</a> | <a href=/home.html>关于百度</a> | <a href=http://ir.baidu.com>About Baidu</a></p><p id=b>©2008 Baidu <a href=http://www.baidu.com/duty>使用百度前必读</a> <a href=http://www.miibeian.gov.cn target=_blank>京ICP证030173号</a> <a href=http://www.hd315.gov.cn/beian/view.asp?bianhao=010202001092500412><img src=http://gimg.baidu.com/img/gs.gif></a></p></center></body></html><!--543ff95f18f36b11-->";
String regex="<a.*?/a>";
Pattern pt=Pattern.compile(regex);
//System.out.println(regex);
Matcher mt=pt.matcher(s);
String includeString=".*?baidu\.com.*?";//必须包含 字符串"baidu.com"
while(mt.find())
...{
if(mt.group().matches(includeString))
...{
//System.out.println(mt.group());
String s2=">.*?</a>";//标题部分
String s3="href=.*?>";
Pattern pt2=Pattern.compile(s2);
Matcher mt2=pt2.matcher(mt.group());
Pattern pt3=Pattern.compile(s3);
Matcher mt3=pt3.matcher(mt.group());
while(mt2.find()&&mt3.find())
...{
//System.out.println("标题:"+mt2.group().replaceAll(">|</a>",""));
//System.out.println("网址:"+mt3.group().replaceAll("href=|>",""));
String t=mt2.group().replaceAll(">|</a>","");
String u=mt3.group().replaceAll("href=|>","");
al.add(new ArticleList(t,u));
}
}
}//end while
for(int i=0;i<al.size();i++)
System.out.println(al.get(i));
System.out.println("共有"+al.size()+"个结果");
}
}
同时根据指定包含和不包含的字符串进行过滤相关链接。
2008年3月30日
复制内容到剪贴板 程序代码
*/
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import java.util.*;
public class RegTest
...{
public static void main(String[] args)
...{
//定义一个文章列表类。包含文章的网址和文章标题
class ArticleList
...{
String URLs;
String title;
public ArticleList()...{}
public ArticleList(String t,String u)
...{
title=t;
URLs=u;
}
public String toString()
...{
return ("标题:"+title+" 网址:"+URLs+" ");
}
}
ArrayList <ArticleList> al=new ArrayList<ArticleList>();
String s="</p><p style=height:14px><a href=http://jingjia.baidu.com>企业推广</a> | <a href=http://top.baidu.com>搜索风云榜</a> | <a href=/home.html>关于百度</a> | <a href=http://ir.baidu.com>About Baidu</a></p><p id=b>©2008 Baidu <a href=http://www.baidu.com/duty>使用百度前必读</a> <a href=http://www.miibeian.gov.cn target=_blank>京ICP证030173号</a> <a href=http://www.hd315.gov.cn/beian/view.asp?bianhao=010202001092500412><img src=http://gimg.baidu.com/img/gs.gif></a></p></center></body></html><!--543ff95f18f36b11-->";
String regex="<a.*?/a>";
Pattern pt=Pattern.compile(regex);
//System.out.println(regex);
Matcher mt=pt.matcher(s);
String includeString=".*?baidu\.com.*?";//必须包含 字符串"baidu.com"
while(mt.find())
...{
if(mt.group().matches(includeString))
...{
//System.out.println(mt.group());
String s2=">.*?</a>";//标题部分
String s3="href=.*?>";
Pattern pt2=Pattern.compile(s2);
Matcher mt2=pt2.matcher(mt.group());
Pattern pt3=Pattern.compile(s3);
Matcher mt3=pt3.matcher(mt.group());
while(mt2.find()&&mt3.find())
...{
//System.out.println("标题:"+mt2.group().replaceAll(">|</a>",""));
//System.out.println("网址:"+mt3.group().replaceAll("href=|>",""));
String t=mt2.group().replaceAll(">|</a>","");
String u=mt3.group().replaceAll("href=|>","");
al.add(new ArticleList(t,u));
}
}
}//end while
for(int i=0;i<al.size();i++)
System.out.println(al.get(i));
System.out.println("共有"+al.size()+"个结果");
}
}
评论: 0 | 引用: 0 | 查看次数: 632
发表评论