java提取(获取)博客信息（内容）
package com.wbg.my.service;
import java.io.*;
import java.net.HttpURLConnection;
import java.net.URL;
import java.util.*;
import java.util.regex.Matcher;
import java.util.regex.Pattern; /**
* @author Jack Chen
* */
public class BlogUtil { /**
* URL_PAGE：cnblogs url
* URL_PAGE_DETAIL：详情页url
* PAGE_COUNT：页数
* urlLists：所有详情页url Set集合（防止重复）
* p：匹配模式
* */
public final static String URL_PAGE = "https://www.cnblogs.com/weibanggang/default.html?page=";
public final static String URL_PAGE_DETAIL = "https://www.cnblogs.com/weibanggang/p/([0-9]+.html)";
public final static int PAGE_COUNT = 20;
public static Set<String> urlLists = new TreeSet<String>();
public final static Pattern p = Pattern.compile(URL_PAGE_DETAIL);
//文件路径
public static String file="d:index.html";
static String [] arr=null;
static int sun=0;
public static void main(String[] args) throws Exception {
for(int i = 1;i<=PAGE_COUNT;i++) {
getUrls(i);
}
System.out.println("开始获取内容！");
arr=new String[urlLists.size()];
for(Iterator<String> i = urlLists.iterator();i.hasNext();) {
createFile(i.next());
sun++;
}
System.out.println("获取内容完毕！");
System.out.println("开始写入文件！");
StringBuffer stringBuffer=new StringBuffer(kais());
for (int i = 0; i < arr.length; i++) {
stringBuffer.append(arr[i]);
}
stringBuffer.append(jiehun());
System.out.println("写入文件完毕！");
System.out.println("开始导出文件！");
createFile(file,stringBuffer);
System.out.println("导出文件完毕！");
System.out.println("输出文件地址为:"+file);
}
/*
* 将结果写入文件
*/
private static void createFile(String file, StringBuffer buffer) {
try {
File newFile = new File(file);
if (newFile.exists())// 存在，则删除
if (!newFile.delete())// 删除成功则创建
{
System.err.println("删除文件" + newFile + "失败");
}
if (newFile.createNewFile()) {// 创建成功，则写入文件内容
PrintWriter p = new PrintWriter(new FileOutputStream(newFile
.getAbsolutePath()));
p.write(buffer.toString());
p.close();
} else {
System.err.println("创建文件：" + newFile + "失败");
}
} catch (Exception e) {
e.printStackTrace();
}
}
//开始头部
public static String kais(){
return "<!DOCTYPE html>\n" +
"<html>\n" +
"<head>\n" +
" <meta charset=\"utf-8\">\n" +
" <title>weibanggang.github.io</title>\n" +
" <meta name=\"renderer\" content=\"webkit\">\n" +
" <meta http-equiv=\"X-UA-Compatible\" content=\"IE=edge,chrome=1\">\n" +
" <meta name=\"viewport\" content=\"width=device-width, initial-scale=1, maximum-scale=1\">\n" +
" <style>\n" +
" html,body{width:100%;height: 100%}\n" +
" table{width: 1150px;height:500px;margin: auto}\n" +
" table,td,th{border: 1px solid #e6e6e6;border-collapse:collapse; }\n" +
" body{-moz-background-size:100% 100%; background-size:100% 100%;background-image:url(\"link.jpg\");background-repeat: no-repeat} body{-moz-background-size:100% 100%; background-size:100% 100%;background-image:url(\"link.jpg\");background-repeat: no-repeat}\n" +
" * { margin: 0; padding: 0; }\n" +
" table { border-collapse: collapse; text-align: center; }\n" +
" /*关键设置 tbody出现滚动条*/\n" +
" table tbody {\n" +
" display: block;\n" +
" height: 500px;\n" +
" overflow-y: scroll;overflow-x:hidden;\n" +
" }\n" +
" table thead, tbody tr { display: table;width: 100%; table-layout: fixed; }\n" +
" table thead th { height: 40px }\n" +
" table tbody td {height: 30px }\n" +
" </style>\n" +
"</head>\n" +
"\n" +
"<body>\n" +
"<marquee><h1 style=\"color:white;\">本网页仅作为参考博客、github等地址</h1></marquee>\n" +
"<table width=\"80%\" border=\"1\">\n" +
" <thead>\n" +
" <tr>\n" +
" <th style=\"width:230px\">序号</th>\n" +
" <th style=\"width:231px\">标题链接</th>\n" +
" <th style=\"width:231px\">时间</th>\n" +
" <th style=\"width:231px\">来源</th>\n" +
" <th style=\"width:249px\">备注</th>\n" +
" </tr>\n" +
" </thead>\n" +
" <tbody>\n" +
"\n" +
" </tbody>\n" +
"</table>\n" +
"</body>\n" +
"<script src=\"js/jquery.js\"></script>\n" +
"<script>\n" +
" var sum=[";
}
//结尾
public static String jiehun(){
return " ];\n" +
" \n" +
" for(var i=0;i<sum.length;i++){\n" +
" var tr=$(\"<tr/>\");\n" +
" //序号\n" +
" $(\"<td/>\").html(i+1).appendTo(tr);\n" +
" //标题链接\n" +
" var a=\"<a href='\"+sum[i][0]+\"' target='_blank'>\"+sum[i][1]+\"</a>\"\n" +
" $(\"<td/>\").html(a).appendTo(tr);\n" +
" //时间\n" +
" $(\"<td/>\").html(sum[i][2]).appendTo(tr);\n" +
" //来源\n" +
" $(\"<td/>\").html(sum[i][3]).appendTo(tr);\n" +
" //备注\n" +
" $(\"<td/>\").html(sum[i][4]).appendTo(tr);\n" +
" $(\"table tbody\").append(tr);\n" +
" }\n" +
"</script>\n" +
"</html>";
}
static String fh="";
/**
* @param url
* 获取所有内容
* @throws
*/
private static void createFile(String url) throws Exception {
Matcher m = p.matcher(url);
m.find();
String fileName = m.group(1);
URL u = new URL(url);
HttpURLConnection conn = (HttpURLConnection) u.openConnection();
conn.connect();
BufferedReader br = new BufferedReader(new InputStreamReader(conn.getInputStream(), "utf-8"));
String str;
StringBuffer s=new StringBuffer();
while((str = br.readLine()) != null){
s.append(str);
}
String href="https://www.cnblogs.com/weibanggang/p/"+fileName;
String title=getTitle(s);
String data=getDate(s);
arr[sun]=fh+"[\""+href+"\",\""+title+"\",\""+data+"\",\"博客\",\"正常\"]";
fh=",";
br.close();
conn.disconnect();
}
//获取时间
public static String getDate(StringBuffer sb){
int first=sb.indexOf("<span id=\"post-date\">")+"<span id=\"post-date\">".length();
String aa=sb.substring(first);
int last=aa.indexOf("</span>");
String sa=aa.substring(0,last);
return sa;
}
//获取标题
public static String getTitle(StringBuffer sb){
int first=sb.indexOf("<title>");
int last=sb.indexOf("</title>");
String sa=sb.substring(first+7,last);
int errorindex=sa.lastIndexOf("- 韦邦杠 - 博客园");
return sa.substring(0,errorindex);
}
/**
* @param idx
* 获取页数
* @throws
*/
private static void getUrls(int idx) throws Exception{
URL u = new URL(URL_PAGE+""+idx);
HttpURLConnection conn = (HttpURLConnection) u.openConnection();
conn.connect();
BufferedReader br = new BufferedReader(new InputStreamReader(conn.getInputStream(), "utf-8"));
String str;
while((str = br.readLine()) != null){
if(null != str && str.contains("https://www.cnblogs.com/weibanggang/p/")) {
Matcher m = p.matcher(str);
if(m.find()) {
urlLists.add(m.group());
}
}
}
br.close();
conn.disconnect();
} }
java提取(获取)博客信息（内容）的更多相关文章
- 如何提取CSDN博客正文内容
document.getElementById("article_content").outerHTML; 在任意的一片博文运行以上代码都可以获得正文内容,但是对于代码.字体都没有 ...
- 02_使用WebMagic爬虫获取CSDN推荐专家的个人博客信息
本来是想抓取博客园的博客推荐的页面的,但由于一些博客进去的页面格式都不太相同,一时不想花时间去寻找规律,发现CSDN上面的格式较为单一,就决定以CSDN推荐专家的个人博客信息作为爬虫抓取的目标. [首 ...
- windows下使用python的scrapy爬虫框架，爬取个人博客文章内容信息
scrapy作为流行的python爬虫框架,简单易用,这里简单介绍如何使用该爬虫框架爬取个人博客信息.关于python的安装和scrapy的安装配置请读者自行查阅相关资料,或者也可以关注我后续的内容. ...
- Java课程设计博客（个人）
Java课程设计博客(个人) 1. 团队课程设计博客链接 http://www.cnblogs.com/wkfg/p/7063081.html 2. 个人负责模块或任务说明 负责模块/任务:编写doG ...
- 获取博客积分排名，存入数据库，读取数据进行绘图(python,selenium,matplotlib)
该脚本的目的:获取博客的排名和积分,将抓取时间,排名,积分存入数据库,然后把最近的积分和排名信息进行绘图,查看积分或者排名的变化情况. 整个脚本的流程:是利用python3来编写,利用selnium获 ...
- Java课程设计——博客作业教学数据分析系统（201521123082 黄华林）
Java课程设计--博客作业教学数据分析系统(201521123082 黄华林) 一.团队课程设计博客链接 博客作业教学数据分析系统(From:网络五条狗) 二.个人负责模块或任务说明 1.网络爬虫 ...
- Java课程设计博客（团队）
Java课程设计博客(团队) 1. 团队/项目名称 使用JAVA实现简易HTTP服务器 2. 团队成员 组长:林一心 组员:张杭镖 3. 项目git地址 https://github.com/oran ...
- Java实现个人博客网站
说明:该项目是实验楼用户"LOU3165780622"发布在实验楼上的项目教程:[Java实现个人博客],未经允许,禁止转载: 该项目利用 SSM 框架和 Mysql 以及一些简单 ...
- 推荐一款自研的Java版开源博客系统OneBlog
OneBlog 一款超好用的Java版开源博客 Introduction 简介 OneBlog 一个简洁美观.功能强大并且自适应的Java博客.使用springboot开发,前端使用Boot ...
随机推荐
- (转)浅谈千万级PV/IP规模高性能高并发网站架构
浅谈千万级PV/IP规模高性能高并发网站架构 原文:http://blog.51cto.com/oldboy/736710 文章架构简图: 高并发访问的核心原则其实就一句话“把所有的用户访问请求都 ...
- 【ExtJS】自定义组件datetimefield(二)
接上[ExtJS]自定义组件datetimefield(一) 第三步:添加按钮事件绑定,获取选定的时间 privates:{ finishRenderChildren: function () { v ...
- 简单的 shell 脚本 切分日志
为避免日志过大,需要按天分割日志,定时计划任务脚本如下: /data/shell/backup_yesterday_nginx_log.sh declare logs_path="/data ...
- Coursera 机器学习 第7章 Support Vector Machines 学习笔记
7 Support Vector Machines7.1 Large Margin Classification7.1.1 Optimization Objective支持向量机(SVM)代价函数在数 ...
- BJFU 1549 ——Candy——————【想法题】
Candy 时间限制(C/C++):1000MS/3000MS 运行内存限制:65536KByte总提交:40 测试通过:20 描述 There are N c ...
- Shader学习笔记
Shader学习笔记 例子: Shader "SrfShader1"{ //定义显示在Inspector中的变量,并从Inspector中获取值 Properties{ _Colo ...
- 【XShell】xshell 中“快速命令集”的使用
突然看到朋友的xshell比我多一个按钮,且一点,哈哈哈 ,实现了很炫酷的功能,耐不住好奇,问了一句,原来是快速命令集! 1.选择快速命令集(两种方法a&b) a:文件 > 属性 > ...
- c#中日期的处理
DateTime.Now.ToShortDateString()//只取日期DateTime.Now.ToLongTimeString();//只取时间搞定DateTime.Now.ToShortTi ...
- Java线程同步打印ABC
需求: 三个线程,依次打印ABCABCABC.... 方案一: 使用阻塞队列,线程1从队列1获取内容打印,线程2从队列2获取内容打印,线程3从队列3中获取内容打印.线程1把B放到队列3中,线程2把C放 ...
- ubuntu 下查找某个文件的方法
1.whereis 文件名 特点:快速,但是是模糊查找,例如 找 #whereis mysql 它会把mysql,mysql.ini,mysql.*所在的目录都找出来. 2.find / -name ...