java html提取_如何用JAVA从HTML源代码中提取有用的文本信息？

如将连接中的流读取出来方法：/**

* 将网页上的数据流转成字符串

*

* @param url

* @return

* @throws IOError

*/

public String getSourceFromURL(String url) throws IOException {

URL u=new URL(url);

InputStream in=u.openStream();

StringBuilder sb=new StringBuilder();

byte[] buff=new byte[1024];

int len;

while((len=in.read(buff))!=-1){

//此处使用UTF-8编码，如果遇到像新浪这样的网站编码不是UTF-8的，就会乱，

//此处我就不过细处理了

sb.append(new String(buff,0,len,"UTF-8"));

}

in.close();

return String.valueOf(sb);

}

获得网页中的所有数据后，便可以使用正则表达式匹配了，这不得不说要正则表达式灵活运用才方能不用代码进行各种处理了，我的正则表达式都有一段时间没有，又陌生了：

此处我就随便写一个获取标题的正则吧，不过没有做什么就近匹配，如果页面有多个能匹配到的标签，那么可能会匹配不到想要的