Java获取网页所有网址和链接文字(正则表达式)

 // 通过指定URL,获取网页上所有的“链接URL”和“链接文字”。

package catch_url;
import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URL;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Urls {
 private String startUrl; // 开始采集网址

 String urlContent;

 String ContentArea;

 private String strAreaBegin, strAreaEnd; // 采集区域开始采集字符串和结束采集字符串

 @SuppressWarnings("unused")
 private String stringInUrl, stringNotInUrl;

 String strContent;// 获得的采集内容

 String[] allUrls; // 采集到的所有网址

 private String regex; // 采集规则

 UrlAndTitle urlAndTitle = new UrlAndTitle(); // 存储网址和标题

 public static void main(String[] args)
 {
  Urls myurl = new Urls("<body", "/body>");
  myurl.getStartUrl("http://www.126.com/");
  myurl.getUrlContent();
  myurl.getContentArea();
  myurl.getStringInUrl("http://www.126.com/");
  myurl.getStringNotInUrl("google");
  myurl.Urls();

 }

 // 初始化构造函数 strAreaBegin 和strAreaEnd

 public Urls(String strAreaBegin, String strAreaEnd) {
  this.strAreaBegin = strAreaBegin;
  this.strAreaEnd = strAreaEnd;
 }

 //
 public void Urls()
 {
  int i = 0;
  // String regex ="<a
  // href="?'?http://[a-zA-Z0-9]+\.[a-zA-Z0-9]+\.[a-zA-Z]+/?[\.?[\S|\s]]+[a>]$";
  final String regex = "<a.*?/a>";
  // String regex ="http://.*?>";
  final Pattern pt = Pattern.compile(regex);
  final Matcher mt = pt.matcher(ContentArea);
  while (mt.find()) {
   System.out.println(mt.group());
   i++;

   // 获取标题
   final Matcher title = Pattern.compile(">.*?</a>").matcher(mt.group());
   while (title.find()) {
    System.out.println("标题:"
      + title.group().replaceAll(">|</a>", ""));
   }

   // 获取网址
   final Matcher myurl = Pattern.compile("href=.*?>").matcher(mt.group());
   while (myurl.find()) {
    System.out.println("网址:"
      + myurl.group().replaceAll("href=|>", ""));
   }

   System.out.println();

  }

  System.out.println("共有" + i + "个符合结果");

 }

 // 获得开始采集网址
 public void getStartUrl(String startUrl)
 {
  this.startUrl = startUrl;
 }

 // 获得网址所在内容;
 public void getUrlContent()
 {

  StringBuffer is = new StringBuffer();
  try {
   URL myUrl = new URL(startUrl);
   BufferedReader br = new BufferedReader(new InputStreamReader(myUrl
     .openStream()));

   String s;
   while ((s = br.readLine()) != null) {
    is.append(s);
   }
   urlContent = is.toString();
  } catch (Exception e)

  {
   System.out.println("网址文件未能输出");
   e.printStackTrace();
  }

 }

 // 获得网址所在的匹配区域部分
 public void getContentArea()
 {
  int pos1 = 0, pos2 = 0;
  pos1 = urlContent.indexOf(strAreaBegin) + strAreaBegin.length();
  pos2 = urlContent.indexOf(strAreaEnd, pos1);
  ContentArea = urlContent.substring(pos1, pos2);
 }

 // 以下两个函数获得网址应该要包含的关键字及不能包含的关键字
 // 这里只做初步的实验。后期，保护的关键字及不能包含的关键字应该是不只一个的。
 public void getStringInUrl(String stringInUrl)
 {
  this.stringInUrl = stringInUrl;

 }

 public void getStringNotInUrl(String stringNotInUrl)
 {
  this.stringNotInUrl = stringNotInUrl;
 }

 // 获取采集规则

 // 获取url网址
 public void getUrl()
 {

 }

 public String getRegex()
 {
  return regex;

 }

 class UrlAndTitle {
  String myURL;

  String title;
 }
}