java获得采集网页内容的方法小结
为了写一个java的采集程序，从网上学习到3种方法可以获取单个网页内容的方法，主要是运用到是java IO流方面的知识，对其不熟悉，因此写个小结。
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("打印出的号码段落："+m.group(1)+" 编号"+(++num));
}
System.out.println(num);
long end = System.currentTimeMillis();
System.out.println("花费的时间"+(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();
}
/**
* 通过网站域名URL获取该网站的源码
* @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); //设置连接超时
java.io.InputStream inStream = conn.getInputStream(); //通过输入流获取html二进制数据
byte[] data = readInputStream(inStream); //把二进制数据转化为byte字节数据
String htmlSource = new String(data);
return htmlSource;
}
/**
* 把二进制流转化为byte字节数组
* @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();
}
}
【分别测试6次的结果】不知道是不是获取的网页数量内容较小，采集效率差不多，不过方法2应该是最好最简便的。
//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、关于url .openStream()和conn.getInputStream()。
二者返回的的都是InputStrema对象，且都是通过openConnection()方法获取URLConnection对象，然后调用getInputStream()方法，所以方法2和方法1是一样的，但前者更方便。
2、关于BufferedReader类。
【该类的功能】：能将 字符流 放入缓冲区（内存中的一块小区域），以便实现高效的读取。
【看构造方法】：
BufferedReader(Reader in) 创建一个使用默认大小输入缓冲区来缓冲字符输入流。
BufferedReader(Reader in, int sz) 创建一个使用指定大小输入缓冲区的缓冲字符输入流。
【常用方法】：readLine()可以快速的实现文本字符的行读取。
3、关于InputStreamReader 类
InputStreamReader 是从字节流到字符流的桥梁：它读入字节，并根据指定的编码方式，将之转换为字符流，它是Reader的子类。
而为了达到更高效率，我们经常用 BufferedReader 封装 InputStreamReader ， 所以我们经常看到的用法是
BufferedReader Buf = new BufferedReader(new InputStreamReader(System.in);
这里的InputStreamReader类的功能是将字节流转换为字符流，所以以上语句实现了 ：将 字节输入流 转换为 字符输入流 且放置缓冲区。
引用一张图：
4、关于 ByteArrayOutputStream类
它是OutputStream类的扩展类，其构造函数是byteArrayInputStream（byte []buf），作用是把字节数组buf 变成输入流的形式，并通过toString()或者toByteArray()方法或得想要的数据形式。方法3中的readInputStream方法可改为返回String类型，将后面的outStream.toByteArray()改为outStream.toString()方法，这样又精简了代码。
5、 关于InputStream类
InputStream与OutputStream: 是 8位字节 输入/输出流类的基类，主要用在处理二进制数据，它是按字节来处理的。文件在硬盘或在传输时都是以字节的方式进行的，包括图片等都是按字节的方式存储的，其余的字节流的处理类都是对该类的扩展，如等上面讲ByteArrayInputStream类。
由于InputStream.read()方法是每次从流里只读取读取一个字节，效率会非常低。而InputStream.read(byte[] b)或者InputStream.read(byte[] b,int off,int len)方法，一次可以读取多个字节，效率较高，所以方法3中创建了一个byte字节数组，以便一次性读取更多的字节。当read()方法读取内容为空的时候，返回-1.
另外字符输入输出流的基类 Reader/Writer，且要知道1个字符= 2字节，字符都是在内存中生成的，一个中文占两个字节，其子类包含有上面讲的的InputStreamRead类与BufferReader类。
写了几点总结，都是和java的IO流有关的，是不是应该改个标题，想想还是算了，毕竟采集程序中很重要的一部分就是IO流方面的，java在IO流方面提供了丰富的类库，边学边积累吧。
