java抓取网站

来源:互联网 发布:手机内窥镜软件二维码 编辑:程序博客网 时间:2024/05/16 09:11

作业要求:
1.给定一个网站的URL,抓取下整个网站,包括网页、图片等等。
2.对该网站的所有对象进行一个统计,比如链接、图片、按钮等等分别有多少。

我上次提交的


import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.MalformedURLException;
import java.net.URL;
import java.net.URLConnection;

public class UrlContent {
public static String getHtmlSource(String url)
{
  StringBuffer codeBuffer = null;
  BufferedReader in=null;
  try
  {
  URLConnection uc = newURL(url).openConnection();
  // 读取url流内容
  in = new BufferedReader(newInputStreamReader(uc
    .getInputStream(),"gb2312"));
  codeBuffer = new StringBuffer();
  String tempCode = "";
  // 把buffer内的值读取出来
  while ((tempCode = in.readLine()) != null)
  {
   codeBuffer.append(tempCode).append("\n");
  }
  in.close();
  }
  catch (MalformedURLException e)
  {
  e.printStackTrace();
  }
  catch (IOException e)
  {
  e.printStackTrace();
  }
 
  return codeBuffer.toString();
}
public static void main(String[] args)
{
 System.out.println(UrlContent.getHtmlSource("http://sports.163.com/zc/"));
 
}

}

 

一个站还是一个页啊,一个站有千八百页,那还有办法啊.?要从网页的URL取得另一页,另一页又有,.................
URL url;
HttpURLConnection conn=null;
try{
url=new URL("http://baike.baidu.com/view/2125344.htm");
conn=(HttpURLConnection)url.openConnection();
conn.setRequestProperty("Accept-Charset","utf-8");
conn.setRequestProperty("contentType","utf-8");

BufferedReader reader=new BufferedReader(newInputStreamReader(conn
.getInputStream(),"gbk"));
String downloadURL;
StringBuffer sb=new StringBuffer();
while((downloadURL=reader.readLine())!=null){
sb.append(downloadURL);
}

System.out.println(sb.toString());
这样就可以打印出这个网页了,至于里用正则如何替换,找出按钮,图片的,那还得再弄下.
}catch(Exception e){
}finally{
conn.disconnect();
}