java獲得采集網頁內容的方法小結

      為了寫一個java的采集程序，從網上學習到3種方法可以獲取單個網頁內容的方法，主要是運用到是java IO流方面的知識，對其不熟悉，因此寫個小結。

import java.io.BufferedReader;
import java.io.ByteArrayOutputStream;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.URL;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Get_Html {
    public static void main(String[] args) throws Exception    {
    	long start= System.currentTimeMillis();
        String str_url="http://www.hiphop8.com/city/guangdong/guangzhou.php";
        Pattern p = Pattern.compile(">(13\\d{5}|15\\d{5}|18\\d{5}|147\\d{4})<");
	
        //String html = get_Html_2(str_url);
        //String html = get_Html_1(str_url);
        String html = get_Html_3(str_url);
        Matcher m = p.matcher(html);
        
        int num = 0;       
		while(m.find())
		{
			System.out.println("打印出的號碼段落："+m.group(1)+"  編號"+(++num));	
		}
       System.out.println(num);       
       long end = System.currentTimeMillis();
		System.out.println("花費的時間"+(end-start)+"毫秒");
    } 
    public static String get_Html_2(String str_url) throws IOException{
    	URL url = new URL(str_url);
    	String content="";
		StringBuffer page = new StringBuffer();
		try {		
			BufferedReader in = new BufferedReader(new InputStreamReader(url
                    .openStream(), "utf-8"));			
			while((content = in.readLine()) != null){
				page.append(content);
			}
		} catch (IOException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
        return page.toString();
    }
    
    public static String get_Html_1(String str_url) throws IOException{
        URL url = new URL(str_url);
        HttpURLConnection conn = (HttpURLConnection)url.openConnection();
        InputStreamReader input = new InputStreamReader(conn.getInputStream(), "utf-8");  
        BufferedReader bufReader = new BufferedReader(input);  
        String line = "";  
        StringBuilder contentBuf = new StringBuilder();  
        while ((line = bufReader.readLine()) != null) {  
            contentBuf.append(line);  
        }
        return contentBuf.toString();
    }
    
    /**
     * 通過網站域名URL獲取該網站的源碼
     * @param url
     * @return String
     * @throws Exception
     */
    public static String get_Html_3(String str_url) throws Exception    {
    	URL url = new URL(str_url);
        HttpURLConnection conn = (HttpURLConnection)url.openConnection();
        conn.setRequestMethod("GET");
        conn.setConnectTimeout(5 * 1000);                        //設置連接超時
        java.io.InputStream inStream = conn.getInputStream();  //通過輸入流獲取html二進制數據
              
        byte[] data = readInputStream(inStream);  //把二進制數據轉化為byte字節數據
        String htmlSource = new String(data);
        return htmlSource;
    }
    
    /**
     * 把二進制流轉化為byte字節數組
     * @param inStream
     * @return byte[]
     * @throws Exception
     */
    public static byte[] readInputStream(java.io.InputStream inStream) throws Exception {
        ByteArrayOutputStream outStream = new ByteArrayOutputStream();
        byte[]  buffer = new byte[1204];
        int len = 0;
        while ((len = inStream.read(buffer)) != -1){
            outStream.write(buffer,0,len);
        }
        inStream.close();
        return outStream.toByteArray();         
    } 
}

【分別測試6次的結果】不知道是不是獲取的網頁數量內容較小，采集效率差不多，不過方法2應該是最好最簡便的。

//get_Html_1  967  2658  1132  1199  988  1236
//get_Html_2  2323 2244 1202  1166  1081  1011
//get_Html_3  978  1219   1527   1133  1192  1774

 

1、關於url  .openStream()和conn.getInputStream()。

       二者返回的的都是InputStrema對象，且都是通過openConnection()方法獲取URLConnection對象，然后調用getInputStream()方法，所以方法2和方法1是一樣的，但前者更方便。

 

2、關於BufferedReader類。

【該類的功能】：能將  字符流  放入緩沖區（內存中的一塊小區域），以便實現高效的讀取。

【看構造方法】：

BufferedReader(Reader in)                   創建一個使用默認大小輸入緩沖區來緩沖字符輸入流。

BufferedReader(Reader in, int sz)          創建一個使用指定大小輸入緩沖區的緩沖字符輸入流。

【常用方法】：readLine()可以快速的實現文本字符的行讀取。

 

3、關於InputStreamReader 類

InputStreamReader 是從字節流到字符流的橋梁：它讀入字節，並根據指定的編碼方式，將之轉換為字符流，它是Reader的子類。

而為了達到更高效率，我們經常用 BufferedReader 封裝 InputStreamReader ， 所以我們經常看到的用法是

BufferedReader Buf = new BufferedReader(new InputStreamReader(System.in);

 

這里的InputStreamReader類的功能是將字節流轉換為字符流，所以以上語句實現了 ：將 字節輸入流 轉換為 字符輸入流 且放置緩沖區。

引用一張圖：

 

4、關於 ByteArrayOutputStream類

       它是OutputStream類的擴展類，其構造函數是byteArrayInputStream（byte []buf），作用是把字節數組buf 變成輸入流的形式，並通過toString()或者toByteArray()方法或得想要的數據形式。方法3中的readInputStream方法可改為返回String類型，將后面的outStream.toByteArray()改為outStream.toString()方法，這樣又精簡了代碼。

 

5、 關於InputStream類

       InputStream與OutputStream: 是  8位字節 輸入/輸出流類的基類，主要用在處理二進制數據，它是按字節來處理的。文件在硬盤或在傳輸時都是以字節的方式進行的，包括圖片等都是按字節的方式存儲的，其余的字節流的處理類都是對該類的擴展，如等上面講ByteArrayInputStream類。

       由於InputStream.read()方法是每次從流里只讀取讀取一個字節，效率會非常低。而InputStream.read(byte[] b)或者InputStream.read(byte[] b,int off,int len)方法，一次可以讀取多個字節，效率較高，所以方法3中創建了一個byte字節數組，以便一次性讀取更多的字節。當read()方法讀取內容為空的時候，返回-1.

      另外字符輸入輸出流的基類 Reader/Writer，且要知道1個字符= 2字節，字符都是在內存中生成的，一個中文占兩個字節，其子類包含有上面講的的InputStreamRead類與BufferReader類。

 

      寫了幾點總結，都是和java的IO流有關的，是不是應該改個標題，想想還是算了，畢竟采集程序中很重要的一部分就是IO流方面的，java在IO流方面提供了豐富的類庫，邊學邊積累吧。