JavaでWebページをプログラムでダウンロードする方法

https://stackoverflow.com/questions/238547

04-07-2019
|

質問

Webページのhtmlを取得して String に保存できるようにしたいので、何らかの処理を行うことができます。また、さまざまなタイプの圧縮をどのように処理できますか。

Javaを使用してこれを行うにはどうすればよいですか

解決

Javaの URL クラス。ただし、例外を処理したり、例外を呼び出しスタックに渡したりするという、ここで行うよりも良い仕事をすることをお勧めします。

public static void main(String[] args) {
    URL url;
    InputStream is = null;
    BufferedReader br;
    String line;

    try {
        url = new URL("http://stackoverflow.com/");
        is = url.openStream();  // throws an IOException
        br = new BufferedReader(new InputStreamReader(is));

        while ((line = br.readLine()) != null) {
            System.out.println(line);
        }
    } catch (MalformedURLException mue) {
         mue.printStackTrace();
    } catch (IOException ioe) {
         ioe.printStackTrace();
    } finally {
        try {
            if (is != null) is.close();
        } catch (IOException ioe) {
            // nothing to see here
        }
    }
}

他のヒント

Jsoup のような適切なHTMLパーサーを使用します。簡単です：

String html = Jsoup.connect("http://stackoverflow.com").get().html();

GZIPおよびチャンク化された応答と文字エンコードを完全に透過的に処理します。 HTML トラバーシングや jQueryのようなCSSセレクターによる操作。 String としてではなく、 Document として取得するだけです。

Document document = Jsoup.connect("http://google.com").get();

本当にしない基本的なStringメソッドを実行したり、HTMLで正規表現を実行して処理したい。

参照：

プロとはJavaの主要なHTMLパーサーの短所は？

Billの回答は非常に優れていますが、圧縮やユーザーエージェントなどのリクエストで何かをしたい場合があります。次のコードは、リクエストに対してさまざまなタイプの圧縮を行う方法を示しています。

URL url = new URL(urlStr);
HttpURLConnection conn = (HttpURLConnection) url.openConnection(); // Cast shouldn't fail
HttpURLConnection.setFollowRedirects(true);
// allow both GZip and Deflate (ZLib) encodings
conn.setRequestProperty("Accept-Encoding", "gzip, deflate");
String encoding = conn.getContentEncoding();
InputStream inStr = null;

// create the appropriate stream wrapper based on
// the encoding type
if (encoding != null && encoding.equalsIgnoreCase("gzip")) {
    inStr = new GZIPInputStream(conn.getInputStream());
} else if (encoding != null && encoding.equalsIgnoreCase("deflate")) {
    inStr = new InflaterInputStream(conn.getInputStream(),
      new Inflater(true));
} else {
    inStr = conn.getInputStream();
}

ユーザーエージェントも設定するには、次のコードを追加します。

conn.setRequestProperty ( "User-agent", "my agent name");

さて、 URL および URLConnection 、しかし、彼らはあまり制御しません。

~~個人的には Apache HTTPClient ライブラリを使用します。~~
編集： HTTPClientは、Apacheによってサポート終了に設定されています。置換は次のとおりです。 HTTPコンポーネント

上記のアプローチはすべて、ブラウザで表示されるWebページのテキストをダウンロードしません。最近では、多くのデータがhtmlページのスクリプトを介してブラウザーに読み込まれます。上記の手法はいずれもスクリプトをサポートしていません。HTMLテキストのみをダウンロードするだけです。 HTMLUNITはjavascriptをサポートします。そのため、ブラウザで表示されるWebページのテキストをダウンロードする場合は、 HTMLUNIT を使用する必要があります。

ほとんどの場合、安全なWebページ（httpsプロトコル）からコードを抽出する必要があります。次の例では、htmlファイルはc：\ temp \ filename.html Enjoy！

に保存されています。

import java.io.BufferedReader;
import java.io.BufferedWriter;
import java.io.FileWriter;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.URL;

import javax.net.ssl.HttpsURLConnection;

/**
 * <b>Get the Html source from the secure url </b>
 */
public class HttpsClientUtil {
    public static void main(String[] args) throws Exception {
        String httpsURL = "https://stackoverflow.com";
        String FILENAME = "c:\\temp\\filename.html";
        BufferedWriter bw = new BufferedWriter(new FileWriter(FILENAME));
        URL myurl = new URL(httpsURL);
        HttpsURLConnection con = (HttpsURLConnection) myurl.openConnection();
        con.setRequestProperty ( "User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:63.0) Gecko/20100101 Firefox/63.0" );
        InputStream ins = con.getInputStream();
        InputStreamReader isr = new InputStreamReader(ins, "Windows-1252");
        BufferedReader in = new BufferedReader(isr);
        String inputLine;

        // Write each line into the file
        while ((inputLine = in.readLine()) != null) {
            System.out.println(inputLine);
            bw.write(inputLine);
        }
        in.close(); 
        bw.close();
    }
}

Unix / Linuxボックスでは 'wget'を実行できますが、クロスプラットフォームクライアントを作成している場合、これは実際にはオプションではありません。もちろん、これは、ダウンロードした時点からディスクにヒットするまでの間、ダウンロードしたデータを実際にあまり使いたくないことを前提としています。

Jettyには、Webページのダウンロードに使用できるHTTPクライアントがあります。

package com.zetcode;

import org.eclipse.jetty.client.HttpClient;
import org.eclipse.jetty.client.api.ContentResponse;

public class ReadWebPageEx5 {

    public static void main(String[] args) throws Exception {

        HttpClient client = null;

        try {

            client = new HttpClient();
            client.start();

            String url = "http://www.something.com";

            ContentResponse res = client.GET(url);

            System.out.println(res.getContentAsString());

        } finally {

            if (client != null) {

                client.stop();
            }
        }
    }
}

この例では、単純なWebページのコンテンツを印刷します。

JavaでWebページを読むチュートリアルでは、Webページをダウンロードする6つの例を作成しました。 URL、JSoup、HtmlCleaner、Apache HttpClient、Jetty HttpClient、およびHtmlUnitを使用してJavaでプログラム的に作成します。

このクラスからヘルプを取得し、コードを取得して情報をフィルタリングします。

public class MainActivity extends AppCompatActivity {

    EditText url;
    @Override
    protected void onCreate(Bundle savedInstanceState) {
        super.onCreate( savedInstanceState );
        setContentView( R.layout.activity_main );

        url = ((EditText)findViewById( R.id.editText));
        DownloadCode obj = new DownloadCode();

        try {
            String des=" ";

            String tag1= "<div class=\"description\">";
            String l = obj.execute( "http://www.nu.edu.pk/Campus/Chiniot-Faisalabad/Faculty" ).get();

            url.setText( l );
            url.setText( " " );

            String[] t1 = l.split(tag1);
            String[] t2 = t1[0].split( "</div>" );
            url.setText( t2[0] );

        }
        catch (Exception e)
        {
            Toast.makeText( this,e.toString(),Toast.LENGTH_SHORT ).show();
        }

    }
                                        // input, extrafunctionrunparallel, output
    class DownloadCode extends AsyncTask<String,Void,String>
    {
        @Override
        protected String doInBackground(String... WebAddress) // string of webAddress separate by ','
        {
            String htmlcontent = " ";
            try {
                URL url = new URL( WebAddress[0] );
                HttpURLConnection c = (HttpURLConnection) url.openConnection();
                c.connect();
                InputStream input = c.getInputStream();
                int data;
                InputStreamReader reader = new InputStreamReader( input );

                data = reader.read();

                while (data != -1)
                {
                    char content = (char) data;
                    htmlcontent+=content;
                    data = reader.read();
                }
            }
            catch (Exception e)
            {
                Log.i("Status : ",e.toString());
            }
            return htmlcontent;
        }
    }
}

この投稿に対する実際の回答（ url ）を使用し、出力をファイル。

package test;

import java.net.*;
import java.io.*;

public class PDFTest {
    public static void main(String[] args) throws Exception {
    try {
        URL oracle = new URL("http://www.fetagracollege.org");
        BufferedReader in = new BufferedReader(new InputStreamReader(oracle.openStream()));

        String fileName = "D:\\a_01\\output.txt";

        PrintWriter writer = new PrintWriter(fileName, "UTF-8");
        OutputStream outputStream = new FileOutputStream(fileName);
        String inputLine;

        while ((inputLine = in.readLine()) != null) {
            System.out.println(inputLine);
            writer.println(inputLine);
        }
        in.close();
        } catch(Exception e) {

        }

    }
}

ライセンス： CC-BY-SA と帰属

所属していません StackOverflow