java 使用正则表达式从网页上提取网站标题 （转载）



1. package catchhtml;  
2. import java.io.BufferedReader;  
3. import java.io.IOException;  
4. import java.io.InputStreamReader;  
5. import java.net.MalformedURLException;  
6. import java.net.URL;  
7. import java.util.ArrayList;  
8. import java.util.List;  
9. import java.util.regex.Matcher;  
10. import java.util.regex.Pattern;  
11.   
12.   
13. public class GetHtmlTitle {  
14.       
15.     public GetHtmlTitle(String htmlUrl){  
16.         System.out.println("/n------------开始读取网页(" + htmlUrl + ")-----------");  
17.         String htmlSource = "";  
18.         htmlSource = getHtmlSource(htmlUrl);//获取htmlUrl网址网页的源码  
19.         System.out.println("------------读取网页(" + htmlUrl + ")结束-----------/n");  
20.         System.out.println("------------分析(" + htmlUrl + ")结果如下-----------/n");  
21.         String title = getTitle(htmlSource);  
22.         System.out.println("网站标题： " + title);  
23.     }  
24.       
25.     /** 
26.      * 根据网址返回网页的源码 
27.      * @param htmlUrl 
28.      * @return 
29.      */  
30.     public String getHtmlSource(String htmlUrl){  
31.         URL url;      
32.         StringBuffer sb = new StringBuffer();  
33.         try{  
34.             url = new URL(htmlUrl);  
35.             BufferedReader in = new BufferedReader(new InputStreamReader(url.openStream(), "UTF-8"));//读取网页全部内容  
36.             String temp;  
37.             while ((temp = in.readLine()) != null)  
38.             {             
39.                 sb.append(temp);  
40.             }  
41.             in.close();  
42.         }catch (MalformedURLException e) {  
43.             System.out.println("你输入的URL格式有问题！请仔细输入");  
44.         }catch (IOException e) {  
45.             e.printStackTrace();  
46.         }     
47.         return sb.toString();  
48.     }  
49.       
50.     /** 
51.      * 从html源码(字符串)中去掉标题 
52.      * @param htmlSource 
53.      * @return 
54.      */  
55.     public String getTitle(String htmlSource){  
56.         List<String> list = new ArrayList<String>();  
57.         String title = "";  
58.           
59.         //Pattern pa = Pattern.compile("<title>.*?</title>", Pattern.CANON_EQ);也可以  
60.         Pattern pa = Pattern.compile("<title>.*?</title>");//源码中标题正则表达式  
61.         Matcher ma = pa.matcher(htmlSource);  
62.         while (ma.find())//寻找符合el的字串  
63.         {  
64.             list.add(ma.group());//将符合el的字串加入到list中  
65.         }  
66.         for (int i = 0; i < list.size(); i++)  
67.         {  
68.             title = title + list.get(i);  
69.         }  
70.         return outTag(title);  
71.     }  
72.       
73.     /** 
74.      * 去掉html源码中的标签 
75.      * @param s 
76.      * @return 
77.      */  
78.     public String outTag(String s)  
79.     {  
80.         return s.replaceAll("<.*?>", "");  
81.     }  
82.       
83.     public static void main(String[] args) {  
84.         String htmlUrl = "http://www.157buy.com";  
85.         new GetHtmlTitle(htmlUrl);  
86.   
87.     }  
88. }