Tehtava4.java

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);
    }
}