java 使用正则表达式从网页上提取网站标题

     如何从网页上抓取有价值的东西？看懂了下面的程序(非常简单)，想从网页上抓取什么信息(标题、内容、Email、价格等)就能抓取什么信息。

package catchhtml; import java.io.BufferedReader; import java.io.IOException; import java.io.InputStreamReader; import java.net.MalformedURLException; import java.net.URL; import java.util.ArrayList; import java.util.List; import java.util.regex.Matcher; import java.util.regex.Pattern; public class GetHtmlTitle { public GetHtmlTitle(String htmlUrl){ System.out.println("/n------------开始读取网页(" + htmlUrl + ")-----------"); String htmlSource = ""; htmlSource = getHtmlSource(htmlUrl);//获取htmlUrl网址网页的源码 System.out.println("------------读取网页(" + htmlUrl + ")结束-----------/n"); System.out.println("------------分析(" + htmlUrl + ")结果如下-----------/n"); String title = getTitle(htmlSource); System.out.println("网站标题： " + title); } /** * 根据网址返回网页的源码 * @param htmlUrl * @return */ public String getHtmlSource(String htmlUrl){ URL url; StringBuffer sb = new StringBuffer(); try{ url = new URL(htmlUrl); BufferedReader in = new BufferedReader(new InputStreamReader(url.openStream(), "UTF-8"));//读取网页全部内容 String temp; while ((temp = in.readLine()) != null) { sb.append(temp); } in.close(); }catch (MalformedURLException e) { System.out.println("你输入的URL格式有问题！请仔细输入"); }catch (IOException e) { e.printStackTrace(); } return sb.toString(); } /** * 从html源码(字符串)中去掉标题 * @param htmlSource * @return */ public String getTitle(String htmlSource){ List list = new ArrayList(); String title = ""; //Pattern pa = Pattern.compile("", Pattern.CANON_EQ);也可以 Pattern pa = Pattern.compile("");//源码中标题正则表达式 Matcher ma = pa.matcher(htmlSource); while (ma.find())//寻找符合el的字串 { list.add(ma.group());//将符合el的字串加入到list中 } for (int i = 0; i < list.size(); i++) { title = title + list.get(i); } return outTag(title); } /** * 去掉html源码中的标签 * @param s * @return */ public String outTag(String s) { return s.replaceAll("<.*?>", ""); } public static void main(String[] args) { String htmlUrl = "http://www.157buy.com"; new GetHtmlTitle(htmlUrl); } }