Java抽取网页信息

使用正则表达式及字符串操作,抽取网页信息

    1. /* 去script */
    2.     public static String trimScript(String content) {
    3.         String regEx = "<script[^>]*>[^<]+</script>";
    4.         Pattern p = Pattern.compile(regEx);
    5.         Matcher m = p.matcher(content);
    6.         String result = content;
    7.         if (m.find()) {
    8.             result = m.replaceAll("");
    9.         }
    10.         return result;
    11.     }
    12.     /* 去除注释*/
    13.     public static String trimComment(String content) {
    14.         String regEx = "<!--[^-]*-->";
    15.         Pattern p = Pattern.compile(regEx);
    16.         Matcher m = p.matcher(content);
    17.         String result = content;
    18.         if (m.find()) {
    19.             result = m.replaceAll("");
    20.         }
    21.         return result;
    22.     }
    23.     /* 去除标签 */
    24.     public static String trimTag(String content) {
    25.         String regEx = "<[^>]+>";
    26.         Pattern p = Pattern.compile(regEx);
    27.         Matcher m = p.matcher(content);
    28.         String result = content;
    29.         if (m.find()) {
    30.             result = m.replaceAll("");
    31.         }
    32.         result = result.replace(" """).replace(">""").replace(
    33.                 ">""");
    34.         return result;
    35.     }
    36.     /* 根据起始位置和结束位置,截取字符串 */
    37.     public static String subString(String start, String end, String content) {
    38.         int iStart = content.indexOf(start);
    39.         int iEnd = content.indexOf(end);
    40.         if (iStart < iEnd) {
    41.             return content.substring(iStart, iEnd);
    42.         }
    43.         return null;
    44.     }
;