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

    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");
    }
}


[本日志由 blurxx 于 2009-06-26 11:30 PM 编辑]
文章来自: 本站原创
引用通告: 查看所有引用 | 我要引用此文章
Tags: 超链接 文字 采集
相关日志:
评论: 0 | 引用: 0 | 查看次数: 632
发表评论
昵 称:
密 码: 游客发言不需要密码.
内 容:
验证码: 验证码
选 项:
虽然发表评论不用注册,但是为了保护您的发言权,建议您注册帐号.
字数限制 1000 字 | UBB代码 开启 | [img]标签 关闭