java利用url实现网页内容的抓取

闲来无事，刚学会把git部署到远程服务器，没事做，所以简单做了一个抓取网页信息的小工具，里面的一些数值如果设成参数的话可能扩展性能会更好！希望这是一个好的开始把，也让我对字符串的读取掌握的更加熟练了，值得注意的是JAVA1.8 里面在使用String拼接字符串的时候，会自动把你要拼接的字符串用StringBulider来处理，大大优化了String 的性能，闲话不多说，show my XXX code～

运行效果：

首先打开百度百科，搜索词条，比如“演员”，再按F12查看源码

然后抓取你想要的标签，注入LinkedHashMap里面就ok了，很简单是吧！看看代码罗

 import java.io.BufferedReader;
 import java.io.IOException;
 import java.io.InputStreamReader;
 import java.net.HttpURLConnection;
 import java.net.URL;
 import java.util.*;

 /**
  * Created by chunmiao on 17-3-10.
  */
 public class ReadBaiduSearch {

     //储存返回结果
     private LinkedHashMap<String,String> mapOfBaike;

     //获取搜索信息
     public LinkedHashMap<String,String> getInfomationOfBaike(String infomationWords) throws IOException {
         mapOfBaike = getResult(infomationWords);
         return mapOfBaike;
     }

     //通过网络链接获取信息
     private static LinkedHashMap<String, String> getResult(String keywords) throws IOException {
         //搜索的url
         String keyUrl = "http://baike.baidu.com/search?word=" + keywords;
         //搜索词条的节点
         String startNode = "<dl class=\"search-list\">";
         //词条的链接关键字
         String keyOfHref = "href=\"";
         //词条的标题关键字
         String keyOfTitle = "target=\"_blank\">";

         String endNode = "</dl>";

         boolean isNode = false;

         String title;

         String href;

         String rLine;

         LinkedHashMap<String,String> keyMap = new LinkedHashMap<String,String>();

         //开始网络请求
         URL url = new URL(keyUrl);
         HttpURLConnection urlConnection = (HttpURLConnection) url.openConnection();
         InputStreamReader inputStreamReader = new InputStreamReader(urlConnection.getInputStream(),"utf-8");
         BufferedReader bufferedReader = new BufferedReader(inputStreamReader);

         //读取网页内容
         while ((rLine = bufferedReader.readLine()) != null){
             //判断目标节点是否出现
             if(rLine.contains(startNode)){
                 isNode = true;
             }
             //若目标节点出现，则开始抓取数据
             if (isNode){
                 //若目标结束节点出现，则结束读取，节省读取时间
                 if (rLine.contains(endNode)) {
                     //关闭读取流
                     bufferedReader.close();
                     inputStreamReader.close();
                     break;
                 }
                 //若值为空则不读取
                 if (((title = getName(rLine,keyOfTitle)) != "") && ((href = getHref(rLine,keyOfHref)) != "")){
                     keyMap.put(title,href);
                 }
             }
         }
         return keyMap;
     }

     //获取词条对应的url
     private static String getHref(String rLine,String keyOfHref){
         String baikeUrl = "http://baike.baidu.com";
         String result = "";
         if(rLine.contains(keyOfHref)){
             //获取url
             for (int j = rLine.indexOf(keyOfHref) + keyOfHref.length();j < rLine.length()&&(rLine.charAt(j) != '\"');j ++){
                 result += rLine.charAt(j);
             }
             //获取的url中可能不含baikeUrl,如果没有则在头部添加一个
             if(!result.contains(baikeUrl)){
                 result = baikeUrl + result;
             }
         }
         return result;
     }

     //获取词条对应的名称
     private static String getName(String rLine,String keyOfTitle){
         String result = "";
         //获取标题内容
         if(rLine.contains(keyOfTitle)){
             result = rLine.substring(rLine.indexOf(keyOfTitle) + keyOfTitle.length(),rLine.length());
             //将标题中的内容含有的标签去掉
             result = result.replaceAll("<em>|</em>|</a>|<a>","");
         }
         return result;
     }

 }

现在都好晚了，去睡觉了...