欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

基于Java HttpClient和Htmlparser實現(xiàn)網(wǎng)絡爬蟲代碼

 更新時間：2015年12月11日 10:23:29   作者：jerrylsxu  
這篇文章主要介紹了基于Java HttpClient和Htmlparser實現(xiàn)網(wǎng)絡爬蟲代碼的相關資料,需要的朋友可以參考下

開發(fā)環(huán)境的搭建，在工程的 Build Path 中導入下載的Commons-httpClient3.1.Jar，htmllexer.jar 以及 htmlparser.jar 文件。

圖 1. 開發(fā)環(huán)境搭建

HttpClient 基本類庫使用

HttpClinet 提供了幾個類來支持 HTTP 訪問。下面我們通過一些示例代碼來熟悉和說明這些類的功能和使用。 HttpClient 提供的 HTTP 的訪問主要是通過 GetMethod 類和 PostMethod 類來實現(xiàn)的，他們分別對應了 HTTP Get 請求與 Http Post 請求。

GetMethod

使用 GetMethod 來訪問一個 URL 對應的網(wǎng)頁，需要如下一些步驟。
生成一個 HttpClinet 對象并設置相應的參數(shù)。
生成一個 GetMethod 對象并設置響應的參數(shù)。
用 HttpClinet 生成的對象來執(zhí)行 GetMethod 生成的 Get 方法。
處理響應狀態(tài)碼。
若響應正常，處理 HTTP 響應內(nèi)容。
釋放連接。

清單 1 的代碼展示了這些步驟，其中的注釋對代碼進行了較詳細的說明。

清單 1.

/* 1 生成 HttpClinet 對象并設置參數(shù)*/
 HttpClient httpClient=new HttpClient();
 //設置 Http 連接超時為5秒
httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(5000);
  
 /*2 生成 GetMethod 對象并設置參數(shù)*/
 GetMethod getMethod=new GetMethod(url);   
 //設置 get 請求超時為 5 秒
getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT,5000);
 //設置請求重試處理，用的是默認的重試處理：請求三次
getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
     new DefaultHttpMethodRetryHandler());
  
 /*3 執(zhí)行 HTTP GET 請求*/
 try{ 
   int statusCode = httpClient.executeMethod(getMethod);
   /*4 判斷訪問的狀態(tài)碼*/
   if (statusCode != HttpStatus.SC_OK) 
   {
System.err.println("Method failed: "+ getMethod.getStatusLine());
   }
  
   /*5 處理 HTTP 響應內(nèi)容*/
   //HTTP響應頭部信息，這里簡單打印
 Header[] headers=getMethod.getResponseHeaders();
   for(Header h: headers)
      System.out.println(h.getName()+" "+h.getValue());*/
   //讀取 HTTP 響應內(nèi)容，這里簡單打印網(wǎng)頁內(nèi)容
   byte[] responseBody = getMethod.getResponseBody();//讀取為字節(jié)數(shù)組
System.out.println(new String(responseBody));
   //讀取為 InputStream，在網(wǎng)頁內(nèi)容數(shù)據(jù)量大時候推薦使用
   InputStream response = getMethod.getResponseBodyAsStream();//
   …
}
catch (HttpException e) 
{
   // 發(fā)生致命的異常，可能是協(xié)議不對或者返回的內(nèi)容有問題
     System.out.println("Please check your provided http address!");
e.printStackTrace();
   } 
catch (IOException e)
 {
      // 發(fā)生網(wǎng)絡異常
    e.printStackTrace();
   } finally {
         /*6 .釋放連接*/
      getMethod.releaseConnection();      
      }

這里值得注意的幾個地方是：

設置連接超時和請求超時，這兩個超時的意義不同，需要分別設置。
響應狀態(tài)碼的處理。

返回的結(jié)果可以為字節(jié)數(shù)組，也可以為 InputStream，而后者在網(wǎng)頁內(nèi)容數(shù)據(jù)量較大的時候推薦使用。
在處理返回結(jié)果的時候可以根據(jù)自己的需要，進行相應的處理。如筆者是需要保存網(wǎng)頁
到本地，因此就可以寫一個 saveToLocaleFile(byte[] data, String filePath) 的方法，將字節(jié)數(shù)組保存成本地文件。后續(xù)的簡易爬蟲部分會有相應的介紹。

PostMethod

PostMethod 方法與 GetMethod 方法的使用步驟大體相同。但是由于 PostMethod 使用的是HTTP 的 Post 請求，因而請求參數(shù)的設置與 GetMethod 有所不同。在 GetMethod 中，請求的參數(shù)直接寫在 URL 里，一般以這樣形式出現(xiàn)：http://hostname:port//file?name1=value1&name2=value …。請求參數(shù)是 name，value 對。比如我想得到百度搜索“Thinking In Java”的結(jié)果網(wǎng)頁，就可以使 GetMethod 的構(gòu)造方法中的 url 為：http://www.baidu.com/s?wd=Thinking+In+Java 。而 PostMethod 則可以模擬網(wǎng)頁里表單提交的過程，通過設置表單里 post 請求參數(shù)的值，來動態(tài)的獲得返回的網(wǎng)頁結(jié)果。清單 2 中的代碼展示了如何創(chuàng)建一個 Post 對象，并設置相應的請求參數(shù)。

清單2

PostMethod postMethod = new PostMethod("http://dict.cn/");
postMethod.setRequestBody(new NameValuePair[]{new NameValuePair("q","java")});

HtmlParser 基本類庫使用

HtmlParser 提供了強大的類庫來處理 Internet 上的網(wǎng)頁，可以實現(xiàn)對網(wǎng)頁特定內(nèi)容的提取和修改。下面通過幾個例子來介紹 HtmlParser 的一些使用。這些例子其中的代碼，有部分用在了后面介紹的簡易爬蟲中。以下所有的代碼和方法都在在類 HtmlParser.Test.java 里，這是筆者編寫的一個用來測試 HtmlParser 用法的類。

迭代遍歷網(wǎng)頁所有節(jié)點

網(wǎng)頁是一個半結(jié)構(gòu)化的嵌套文本文件，有類似 XML 文件的樹形嵌套結(jié)構(gòu)。使用HtmlParser 可以讓我們輕易的迭代遍歷網(wǎng)頁的所有節(jié)點。清單 3 展示了如何來實現(xiàn)這個功能。

清單 3

// 循環(huán)訪問所有節(jié)點，輸出包含關鍵字的值節(jié)點
public static void extractKeyWordText(String url, String keyword) {
    try {
      //生成一個解析器對象，用網(wǎng)頁的 url 作為參數(shù)
      Parser parser = new Parser(url);
      //設置網(wǎng)頁的編碼,這里只是請求了一個 gb2312 編碼網(wǎng)頁
      parser.setEncoding("gb2312");
      //迭代所有節(jié)點, null 表示不使用 NodeFilter
      NodeList list = parser.parse(null);
      //從初始的節(jié)點列表跌倒所有的節(jié)點
      processNodeList(list, keyword);
    } catch (ParserException e) {
      e.printStackTrace();
    }
  }
 
  private static void processNodeList(NodeList list, String keyword) {
    //迭代開始
    SimpleNodeIterator iterator = list.elements();
    while (iterator.hasMoreNodes()) {
      Node node = iterator.nextNode();
      //得到該節(jié)點的子節(jié)點列表
      NodeList childList = node.getChildren();
      //孩子節(jié)點為空，說明是值節(jié)點
      if (null == childList)
      {
        //得到值節(jié)點的值
        String result = node.toPlainTextString();
        //若包含關鍵字，則簡單打印出來文本
        if (result.indexOf(keyword) != -1)
          System.out.println(result);
      } //end if
      //孩子節(jié)點不為空，繼續(xù)迭代該孩子節(jié)點
      else
      {
        processNodeList(childList, keyword);
      }//end else
    }//end wile
  }

上面的中有兩個方法：

private static void processNodeList(NodeList list, String keyword)

該方法是用類似深度優(yōu)先的方法來迭代遍歷整個網(wǎng)頁節(jié)點，將那些包含了某個關鍵字的值節(jié)點的值打印出來。

public static void extractKeyWordText(String url, String keyword)

該方法生成針對 String 類型的 url 變量代表的某個特定網(wǎng)頁的解析器，調(diào)用 1中的方法實現(xiàn)簡單的遍歷。

清單 3 的代碼展示了如何迭代所有的網(wǎng)頁，更多的工作可以在此基礎上展開。比如找到某個特定的網(wǎng)頁內(nèi)部節(jié)點，其實就可以

在遍歷所有的節(jié)點基礎上來判斷，看被迭代的節(jié)點是否滿足特定的需要。

使用 NodeFilter

NodeFilter 是一個接口，任何一個自定義的 Filter 都需要實現(xiàn)這個接口中的 boolean accept() 方法。如果希望迭代網(wǎng)頁節(jié)點的時候保留當前節(jié)點，則在節(jié)點條件滿足的情況下返回 true；否則返回 false。HtmlParse 里提供了很多實現(xiàn)了 NodeFilter 接口的類，下面就一些筆者所用到的，以及常用的 Filter 做一些介紹：

對 Filter 做邏輯操作的 Fitler 有：AndFilter，NotFilter ，OrFilter，XorFilter。
這些 Filter 來組合不同的 Filter，形成滿足兩個 Filter 邏輯關系結(jié)果的 Filter。

判斷節(jié)點的孩子，兄弟，以及父親節(jié)點情況的 Filter 有：HasChildFilterHasParentFilter，HasSiblingFilter。
判斷節(jié)點本身情況的 Filter 有 HasAttributeFilter：判讀節(jié)點是否有特定屬性；LinkStringFilter：判斷節(jié)點是否是具有特定模式 (pattern) url 的節(jié)點；

TagNameFilter：判斷節(jié)點是否具有特定的名字；NodeClassFilter：判讀節(jié)點是否是某個 HtmlParser 定義好的 Tag 類型。在 org.htmlparser.tags 包下有對應 Html標簽的各種 Tag，例如 LinkTag，ImgeTag 等。

還有其他的一些 Filter 在這里不一一列舉了，可以在 org.htmlparser.filters 下找到。

清單 4 展示了如何使用上面提到過的一些 filter 來抽取網(wǎng)頁中的 <a> 標簽里的 href屬性值，<img> 標簽里的 src 屬性值，以及 <frame> 標簽里的 src 的屬性值。

清單4

// 獲取一個網(wǎng)頁上所有的鏈接和圖片鏈接
public static void extracLinks(String url) {
    try {
      Parser parser = new Parser(url);
      parser.setEncoding("gb2312");
//過濾 <frame> 標簽的 filter，用來提取 frame 標簽里的 src 屬性所、表示的鏈接
      NodeFilter frameFilter = new NodeFilter() {
        public boolean accept(Node node) {
          if (node.getText().startsWith("frame src=")) {
            return true;
          } else {
            return false;
          }
        }
      };
    //OrFilter 來設置過濾 <a> 標簽，<img> 標簽和 <frame> 標簽，三個標簽是 or 的關系
   OrFilte rorFilter = new OrFilter(new NodeClassFilter(LinkTag.class), new
NodeClassFilter(ImageTag.class));
   OrFilter linkFilter = new OrFilter(orFilter, frameFilter);
  //得到所有經(jīng)過過濾的標簽
  NodeList list = parser.extractAllNodesThatMatch(linkFilter);
  for (int i = 0; i < list.size(); i++) {
    Node tag = list.elementAt(i);
    if (tag instanceof LinkTag)//<a> 標簽 
    {
      LinkTag link = (LinkTag) tag;
      String linkUrl = link.getLink();//url
      String text = link.getLinkText();//鏈接文字
      System.out.println(linkUrl + "**********" + text);
    }
    else if (tag instanceof ImageTag)//<img> 標簽
    {
      ImageTag image = (ImageTag) list.elementAt(i);
      System.out.print(image.getImageURL() + "********");//圖片地址
      System.out.println(image.getText());//圖片文字
    }
    else//<frame> 標簽
    {
//提取 frame 里 src 屬性的鏈接如 <frame src="test.html"/>
      String frame = tag.getText();
      int start = frame.indexOf("src=");
      frame = frame.substring(start);
      int end = frame.indexOf(" ");
      if (end == -1)
        end = frame.indexOf(">");
      frame = frame.substring(5, end - 1);
      System.out.println(frame);
    }
  }
} catch (ParserException e) {
      e.printStackTrace();
}
}

簡單強大的 StringBean
如果你想要網(wǎng)頁中去掉所有的標簽后剩下的文本，那就是用 StringBean 吧。以下簡單的代碼可以幫你解決這樣的問題：

清單5

StringBean sb = new StringBean();
sb.setLinks(false);//設置結(jié)果中去點鏈接
sb.setURL(url);//設置你所需要濾掉網(wǎng)頁標簽的頁面 url 
System.out.println(sb.getStrings());//打印結(jié)果

HtmlParser 提供了強大的類庫來處理網(wǎng)頁，由于本文旨在簡單的介紹，因此只是將與筆者后續(xù)爬蟲部分有關的關鍵類庫進行了示例說明。感興趣的讀者可以專門來研究一下 HtmlParser 更為強大的類庫。

簡易爬蟲的實現(xiàn)

HttpClient 提供了便利的 HTTP 協(xié)議訪問，使得我們可以很容易的得到某個網(wǎng)頁的源碼并保存在本地；HtmlParser 提供了如此簡便靈巧的類庫，可以從網(wǎng)頁中便捷的提取出指向其他網(wǎng)頁的超鏈接。筆者結(jié)合這兩個開源包，構(gòu)建了一個簡易的網(wǎng)絡爬蟲。

爬蟲 (Crawler) 原理

學過數(shù)據(jù)結(jié)構(gòu)的讀者都知道有向圖這種數(shù)據(jù)結(jié)構(gòu)。如下圖所示，如果將網(wǎng)頁看成是圖中的某一個節(jié)點，而將網(wǎng)頁中指向其他網(wǎng)頁的鏈接看成是這個節(jié)點指向其他節(jié)點的邊，那么我們很容易將整個 Internet 上的網(wǎng)頁建模成一個有向圖。理論上，通過遍歷算法遍歷該圖，可以訪問到Internet 上的幾乎所有的網(wǎng)頁。最簡單的遍歷就是寬度優(yōu)先以及深度優(yōu)先。以下筆者實現(xiàn)的簡易爬蟲就是使用了寬度優(yōu)先的爬行策略

圖 2. 網(wǎng)頁關系的建模圖

簡易爬蟲實現(xiàn)流程

在看簡易爬蟲的實現(xiàn)代碼之前，先介紹一下簡易爬蟲爬取網(wǎng)頁的流程。

圖 3. 爬蟲流程圖

各個類的源碼以及說明

對應上面的流程圖，簡易爬蟲由下面幾個類組成，各個類職責如下：

Crawler.java：爬蟲的主方法入口所在的類，實現(xiàn)爬取的主要流程。

LinkDb.java：用來保存已經(jīng)訪問的 url 和待爬取的 url 的類，提供url出對入隊操作。

Queue.java： 實現(xiàn)了一個簡單的隊列，在 LinkDb.java 中使用了此類。

FileDownloader.java：用來下載 url 所指向的網(wǎng)頁。

HtmlParserTool.java： 用來抽取出網(wǎng)頁中的鏈接。

LinkFilter.java：一個接口，實現(xiàn)其 accept() 方法用來對抽取的鏈接進行過濾。

下面是各個類的源碼，代碼中的注釋有比較詳細的說明。

清單6 Crawler.java

package com.ie;
 import java.util.Set;
public class Crawler {
  /* 使用種子 url 初始化 URL 隊列*/
  private void initCrawlerWithSeeds(String[] seeds)
  {
    for(int i=0;i<seeds.length;i++)
      LinkDB.addUnvisitedUrl(seeds[i]);
  }
   
  /* 爬取方法*/
  public void crawling(String[] seeds)
  {
    LinkFilter filter = new LinkFilter(){
      //提取以 http://www.twt.edu.cn 開頭的鏈接
      public boolean accept(String url) {
        if(url.startsWith("http://www.twt.edu.cn"))
          return true;
        else
          return false;
      }
    };
    //初始化 URL 隊列
    initCrawlerWithSeeds(seeds);
    //循環(huán)條件：待抓取的鏈接不空且抓取的網(wǎng)頁不多于 1000
    while(!LinkDB.unVisitedUrlsEmpty()&&LinkDB.getVisitedUrlNum()<=1000)
    {
      //隊頭 URL 出對
      String visitUrl=LinkDB.unVisitedUrlDeQueue();
      if(visitUrl==null)
        continue;
      FileDownLoader downLoader=new FileDownLoader();
      //下載網(wǎng)頁
      downLoader.downloadFile(visitUrl);
      //該 url 放入到已訪問的 URL 中
      LinkDB.addVisitedUrl(visitUrl);
      //提取出下載網(wǎng)頁中的 URL
       
      Set<String> links=HtmlParserTool.extracLinks(visitUrl,filter);
      //新的未訪問的 URL 入隊
      for(String link:links)
      {
          LinkDB.addUnvisitedUrl(link);
      }
    }
  }
  //main 方法入口
  public static void main(String[]args)
  {
    Crawler crawler = new Crawler();
    crawler.crawling(new String[]{"http://www.twt.edu.cn"});
  }
}

清單7 LinkDb.java

package com.ie;
import java.util.HashSet;
import java.util.Set;
/**
 * 用來保存已經(jīng)訪問過 Url 和待訪問的 Url 的類
 */
public class LinkDB {
  //已訪問的 url 集合
  private static Set<String> visitedUrl = new HashSet<String>();
  //待訪問的 url 集合
  private static Queue<String> unVisitedUrl = new Queue<String>();
  public static Queue<String> getUnVisitedUrl() {
    return unVisitedUrl;
  }
  public static void addVisitedUrl(String url) {
    visitedUrl.add(url);
  }
  public static void removeVisitedUrl(String url) {
    visitedUrl.remove(url);
  }
  public static String unVisitedUrlDeQueue() {
    return unVisitedUrl.deQueue();
  }
  // 保證每個 url 只被訪問一次
  public static void addUnvisitedUrl(String url) {
    if (url != null && !url.trim().equals("")
 && !visitedUrl.contains(url)
        && !unVisitedUrl.contians(url))
      unVisitedUrl.enQueue(url);
  }
  public static int getVisitedUrlNum() {
    return visitedUrl.size();
  }
  public static boolean unVisitedUrlsEmpty() {
    return unVisitedUrl.empty();
  }
}

清單8 Queue.java

package com.ie;
import java.util.LinkedList;
/**
 * 數(shù)據(jù)結(jié)構(gòu)隊列
 */
public class Queue<T> {
  private LinkedList<T> queue=new LinkedList<T>();
  public void enQueue(T t)
  {
    queue.addLast(t);
  }
  public T deQueue()
  {
    return queue.removeFirst();
  }
  public boolean isQueueEmpty()
  {
    return queue.isEmpty();
  }
  public boolean contians(T t)
  {
    return queue.contains(t);
  }
  public boolean empty()
  {
    return queue.isEmpty();
  }
}

清單 9 FileDownLoader.java

package com.ie;
import java.io.DataOutputStream;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import org.apache.commons.httpclient.DefaultHttpMethodRetryHandler;
import org.apache.commons.httpclient.HttpClient;
import org.apache.commons.httpclient.HttpException;
import org.apache.commons.httpclient.HttpStatus;
import org.apache.commons.httpclient.methods.GetMethod;
import org.apache.commons.httpclient.params.HttpMethodParams;
public class FileDownLoader {
  /**根據(jù) url 和網(wǎng)頁類型生成需要保存的網(wǎng)頁的文件名
   *去除掉 url 中非文件名字符 
   */
  public String getFileNameByUrl(String url,String contentType)
  {
    url=url.substring(7);//remove http://
    if(contentType.indexOf("html")!=-1)//text/html
    {
      url= url.replaceAll("[\\?/:*|<>\"]", "_")+".html";
      return url;
    }
    else//如application/pdf
    {
return url.replaceAll("[\\?/:*|<>\"]", "_")+"."+ \
     contentType.substring(contentType.lastIndexOf("/")+1);
    }  
  }
  /**保存網(wǎng)頁字節(jié)數(shù)組到本地文件
   * filePath 為要保存的文件的相對地址
   */
  private void saveToLocal(byte[] data,String filePath)
  {
    try {
      DataOutputStream out=new DataOutputStream(
new FileOutputStream(new File(filePath)));
      for(int i=0;i<data.length;i++)
      out.write(data[i]);
      out.flush();
      out.close();
    } catch (IOException e) {
      e.printStackTrace();
    }
  }
  /*下載 url 指向的網(wǎng)頁*/
  public String downloadFile(String url)
  {
     String filePath=null;
     /* 1.生成 HttpClinet 對象并設置參數(shù)*/
     HttpClient httpClient=new HttpClient();
     //設置 Http 連接超時 5s
        httpClient.getHttpConnectionManager().getParams().
setConnectionTimeout(5000);
     /*2.生成 GetMethod 對象并設置參數(shù)*/
     GetMethod getMethod=new GetMethod(url);   
     //設置 get 請求超時 5s
     getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT,5000);
     //設置請求重試處理
     getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER,
      new DefaultHttpMethodRetryHandler());
     /*3.執(zhí)行 HTTP GET 請求*/
     try{ 
       int statusCode = httpClient.executeMethod(getMethod);
       //判斷訪問的狀態(tài)碼
       if (statusCode != HttpStatus.SC_OK) 
       {
System.err.println("Method failed: "+ getMethod.getStatusLine());
         filePath=null;
       }
       /*4.處理 HTTP 響應內(nèi)容*/
 byte[] responseBody = getMethod.getResponseBody();//讀取為字節(jié)數(shù)組
       //根據(jù)網(wǎng)頁 url 生成保存時的文件名
filePath="temp\\"+getFileNameByUrl(url,
      getMethod.getResponseHeader("Content-Type").getValue());
      saveToLocal(responseBody,filePath);
     } catch (HttpException e) {
          // 發(fā)生致命的異常，可能是協(xié)議不對或者返回的內(nèi)容有問題
          System.out.println("Please check your provided http 
address!");
          e.printStackTrace();
         } catch (IOException e) {
          // 發(fā)生網(wǎng)絡異常
          e.printStackTrace();
         } finally {
          // 釋放連接
          getMethod.releaseConnection();      
         }
         return filePath;
  }
  //測試的 main 方法
  public static void main(String[]args)
  {
    FileDownLoader downLoader = new FileDownLoader();
    downLoader.downloadFile("http://www.twt.edu.cn");
  }
}

清單 10 HtmlParserTool.java

package com.ie;
import java.util.HashSet;
import java.util.Set;
import org.htmlparser.Node;
import org.htmlparser.NodeFilter;
import org.htmlparser.Parser;
import org.htmlparser.filters.NodeClassFilter;
import org.htmlparser.filters.OrFilter;
import org.htmlparser.tags.LinkTag;
import org.htmlparser.util.NodeList;
import org.htmlparser.util.ParserException;
public class HtmlParserTool {
  // 獲取一個網(wǎng)站上的鏈接,filter 用來過濾鏈接
  public static Set<String> extracLinks(String url,LinkFilter filter) {
    Set<String> links = new HashSet<String>();
    try {
      Parser parser = new Parser(url);
      parser.setEncoding("gb2312");
      // 過濾 <frame >標簽的 filter，用來提取 frame 標簽里的 src 屬性所表示的鏈接
      NodeFilter frameFilter = new NodeFilter() {
        public boolean accept(Node node) {
          if (node.getText().startsWith("frame src=")) {
            return true;
          } else {
            return false;
          }
        }
      };
      // OrFilter 來設置過濾 <a> 標簽，和 <frame> 標簽
      OrFilter linkFilter = new OrFilter(new NodeClassFilter(
          LinkTag.class), frameFilter);
      // 得到所有經(jīng)過過濾的標簽
      NodeList list = parser.extractAllNodesThatMatch(linkFilter);
      for (int i = 0; i < list.size(); i++) {
        Node tag = list.elementAt(i);
        if (tag instanceof LinkTag)// <a> 標簽
        {
          LinkTag link = (LinkTag) tag;
          String linkUrl = link.getLink();// url
          if(filter.accept(linkUrl))
            links.add(linkUrl);
        } else// <frame> 標簽
        {
        // 提取 frame 里 src 屬性的鏈接如 <frame src="test.html"/>
          String frame = tag.getText();
          int start = frame.indexOf("src=");
          frame = frame.substring(start);
          int end = frame.indexOf(" ");
          if (end == -1)
            end = frame.indexOf(">");
          String frameUrl = frame.substring(5, end - 1);
          if(filter.accept(frameUrl))
            links.add(frameUrl);
        }
      }
    } catch (ParserException e) {
      e.printStackTrace();
    }
    return links;
  }
  //測試的 main 方法
  public static void main(String[]args)
  {
Set<String> links = HtmlParserTool.extracLinks(
"http://www.twt.edu.cn",new LinkFilter()
    {
      //提取以 http://www.twt.edu.cn 開頭的鏈接
      public boolean accept(String url) {
        if(url.startsWith("http://www.twt.edu.cn"))
          return true;
        else
          return false;
      }
    });
    for(String link : links)
      System.out.println(link);
  }
}

清單11 LinkFilter.java

package com.ie;
public interface LinkFilter {
  public boolean accept(String url);
}

這些代碼中關鍵的部分都在 HttpClient 和 HtmlParser 介紹中說明過了，其他部分也比較容易，請感興趣的讀者自行理解。

相關文章

最新評論