Created
May 5, 2020 20:35
-
-
Save ahojukka5/08c3ba103f272d214a7557f9b6ce4f5a to your computer and use it in GitHub Desktop.
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
import java.io.File; | |
import java.io.FileNotFoundException; | |
import java.util.Scanner; | |
import java.util.logging.Level; | |
import java.util.logging.Logger; | |
import java.util.regex.Matcher; | |
import java.util.regex.Pattern; | |
public class Tehtava4 { | |
private static String readFile(String filename) { | |
String content = null; | |
try { | |
Scanner scanner = new Scanner(new File(filename)); | |
content = scanner.useDelimiter("\\A").next(); | |
} catch (FileNotFoundException ex) { | |
Logger.getLogger(Tehtava4.class.getName()).log(Level.SEVERE, null, ex); | |
} | |
return content; | |
} | |
private static void regexpHelper(String regexp, String content) { | |
Pattern p = Pattern.compile(regexp); | |
Matcher m = p.matcher(content); | |
while (m.find()) { | |
System.out.println(m.group(1)); | |
} | |
} | |
public static String removeTags(String content) { | |
Pattern p = Pattern.compile("<.+?>"); | |
Matcher m = p.matcher(content); | |
return m.replaceAll(""); | |
} | |
public static void main(String[] args) { | |
Scanner lukija = new Scanner(System.in); | |
// Kysytään ensin tiedoston nimi | |
// Käytä tätä nimeä tiedoston avaamiseen | |
// Aloitustiedosto | |
System.out.println("Anna html-tiedoston nimi (testatessa esimerkki.html):"); | |
String tiedostonNimi = lukija.nextLine(); | |
String content = readFile(tiedostonNimi); | |
// System.out.println(content); | |
// Tulosta järjestyksessä seuraavat tiedot. Älä muuta olemassaolevia tulostulauseita! | |
System.out.println("Koko sivun otsikko:"); | |
// a) Etsi ja tulosta sivun otsikko (tägien <title> ja </title> välissä). | |
regexpHelper("<title>(.*?)</title>", content); | |
System.out.println("Linkkien osoitteet:"); | |
// b) Etsi ja tulosta kaikkien sivulla olevien linkkien osoitteet. | |
regexpHelper("href=\"(.*?)\"", content); | |
System.out.println("Sivun otsikot ja alaotsikot:"); | |
// c) Tulosta ensin kaikki ykköstason (h1) otsikot, sitten kakkostason (h2) otsikot | |
// ja lopuksi kolmostason (h3) otsikot. | |
// Tulosta otsikot siinä järjestyksessä kuin ne dokumentissa esiintyvät | |
regexpHelper("<h1>(.*?)</h1>", content); | |
regexpHelper("<h2>(.*?)</h2>", content); | |
regexpHelper("<h3>(.*?)</h3>", content); | |
System.out.println("Sanojen yhteismäärä tekstipalstoissa:"); | |
// d) Laske ja tulosta ruudulle (yhtenä kokonaislukuna) kuinka monta sanaa sivun kaikissa tekstipalstoissa | |
// (tägien <p> ja </p> välissä) on yhteensä. | |
// Huomaa, että tekstipalstoissa esiintyviä tägejä EI lasketa sanoiksi | |
Pattern p = Pattern.compile(".*?<p>(.*?)</p>.*?", Pattern.DOTALL); | |
Matcher m = p.matcher(content); | |
int numberOfWords = 0; | |
while (m.find()) { | |
String s = removeTags(m.group(1)); | |
String[] words = s.trim().split("\\s+"); | |
numberOfWords += words.length; | |
// for (int i=0; i < words.length; i++) { | |
// System.out.println(String.format("%d: %s", i, words[i])); | |
// } | |
// System.out.println(String.format("%s (%d words, %d words total)", s, words.length, numberOfWords)); | |
} | |
System.out.println(numberOfWords); | |
} | |
} |
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment