Как наилучшим образом извлечь весь контент из объекта BufferedReader в Java?

Question

Я пытаюсь получить всю веб-страницу через URLConnection.

Какой самый эффективный способ сделать это?

Я уже делаю это:

URL url = new URL("http://www.google.com/");
URLConnection connection;
connection = url.openConnection();
InputStream in = connection.getInputStream();        
BufferedReader bf = new BufferedReader(new InputStreamReader(in));
StringBuffer html = new StringBuffer();
String line = bf.readLine();
while(line!=null){
    html.append(line);
    line = bf.readLine();
}
bf.close();

HTML имеет всю HTML-страницу.

Answer 1

Я думаю, что является лучшим способом.Размер страницы фиксированный («это то, что есть»), поэтому вы не можете улучшить память.Возможно, вы можете сжать содержимое, как только они у вас есть, но они не очень полезны в этой форме.Я полагаю, что в конечном итоге вы захотите проанализировать HTML в дереве DOM.

Все, что вы делаете для распараллеливания чтения, слишком усложнит решение.

Я бы порекомендовал использовать StringBuilderс размером по умолчанию 2048 или 4096.

Почему вы думаете, что размещенного вами кода недостаточно?Похоже, ты виновен в преждевременной оптимизации.

Беги с тем, что имеешь, и спи ночью.

Answer 2

Что вы хотите сделать с полученным HTML?Разобрать это?Может быть полезно знать, что немного приличный анализатор HTML уже может иметь аргумент конструктора или метода, который принимает URL или InputStream, так что вам не нужно беспокоиться о такой производительности потоковой передачи.

Предполагая, что все, что вы хотите сделать, описано в вашем предыдущем вопросе , например, Jsoup , вы можете получить все эти новостные ссылки необычайно легко, например:

Document document = Jsoup.connect("http://news.google.com.ar/nwshp?hl=es&tab=wn").get();
Elements newsLinks = document.select("h2.title a:eq(0)");
for (Element newsLink : newsLinks) {
    System.out.println(newsLink.attr("href"));
}

Это дает следующее через несколько секунд:

http://www.infobae.com/mundo/541259-100970-0-Pinera-confirmo-que-el-rescate-comenzara-las-20-y-durara-24-y-48-horas
http://www.lagaceta.com.ar/nota/403112/Argentina/Boudou-disculpo-con-DAIA-pero-volvio-cuestionar-medios.html
http://www.abc.es/agencias/noticia.asp?noticia=550415
http://www.google.com/hostednews/epa/article/ALeqM5i6x9rhP150KfqGJvwh56O-thi4VA?docId=1383133
http://www.abc.es/agencias/noticia.asp?noticia=550292
http://www.univision.com/contentroot/wirefeeds/noticias/8307387.shtml
http://noticias.terra.com.ar/internacionales/ecuador-apoya-reclamo-argentino-por-ejercicios-en-malvinas,3361af2a712ab210VgnVCM4000009bf154d0RCRD.html
http://www.infocielo.com/IC/Home/index.php?ver_nota=22642
http://www.larazon.com.ar/economia/Cristina-Fernandez-Censo-indispensable-pais_0_176100098.html
http://www.infobae.com/finanzas/541254-101275-0-Energeticas-llevaron-la-Bolsa-portena-ganancias
http://www.telam.com.ar/vernota.php?tipo=N&idPub=200661&id=381154&dis=1&sec=1
http://www.ambito.com/noticia.asp?id=547722
http://www.canal-ar.com.ar/noticias/noticiamuestra.asp?Id=9469
http://www.pagina12.com.ar/diario/cdigital/31-154760-2010-10-12.html
http://www.lanacion.com.ar/nota.asp?nota_id=1314014
http://www.rpp.com.pe/2010-10-12-ganador-del-pulitzer-destaca-nobel-de-mvll-noticia_302221.html
http://www.lanueva.com/hoy/nota/b44a7553a7/1/79481.html
http://www.larazon.com.ar/show/sdf_0_176100096.html
http://www.losandes.com.ar/notas/2010/10/12/batista-siento-comodo-dieron-respaldo-520595.asp
http://deportes.terra.com.ar/futbol/los-rumores-empiezan-a-complicar-la-vida-de-river-y-vuelve-a-sonar-gallego,a24483b8702ab210VgnVCM20000099f154d0RCRD.html
http://www.clarin.com/deportes/futbol/Exigieron-Roman-regreso-Huracan_0_352164993.html
http://www.el-litoral.com.ar/leer_noticia.asp?idnoticia=146622
http://www.nuevodiarioweb.com.ar/nota/181453/Locales/C%C3%A1ncer_mama:_200_casos_a%C3%B1o_Santiago.html
http://www.ultimahora.com/notas/367322-Funcionarios-sanitarios-capacitaran-sobre-cancer-de-mama
http://www.lanueva.com/hoy/nota/65092f2044/1/79477.html
http://www.infobae.com/policiales/541220-101275-0-Se-suspendio-la-declaracion-del-marido-Fernanda-Lemos
http://www.clarin.com/sociedad/educacion/titulo_0_352164863.html

Кто-то уже говорил, что регулярное выражение - абсолютно неправильный инструмент для анализа HTML?;)

См. Также:

• Плюсы и минусы парсеров HTML в Java

Answer 3

Ваш подход выглядит довольно хорошо, однако вы можете сделать его несколько более эффективным, избегая создания промежуточных объектов String для каждой строки.

Способ сделать это - читать непосредственно во временный символ []buffer.

Вот немного измененная версия вашего кода, которая делает это (за исключением проверки ошибок, обработки исключений и т. д. для ясности):

        URL url = new URL("http://www.google.com/");
        URLConnection connection;
        connection = url.openConnection();
        InputStream in = connection.getInputStream();        
        BufferedReader bf = new BufferedReader(new InputStreamReader(in));
        StringBuffer html = new StringBuffer();

        char[] charBuffer = new char[4096];
        int count=0;

        do {
            count=bf.read(charBuffer, 0, 4096);
            if (count>=0) html.append(charBuffer,0,count);
        } while (count>0);
        bf.close();

Для еще большей производительности выможет, конечно, делать небольшие дополнительные вещи, такие как предварительное выделение массива символов и StringBuffer, если этот код будет вызываться часто.

Answer 4

Вы можете попробовать использовать commons-io из apache (http://commons.apache.org/io/api-release/org/apache/commons/io/IOUtils.html)

new String(IOUtils.toCharArray(connection.getInputStream()))

Answer 5

Есть несколько технических соображений. Вы можете использовать HTTPURLConnection вместо URLConnection.

HTTPURLConnection поддерживает кодирование передачи по частям, которое позволяет обрабатывать данные в чанах, а не буферизовать весь контент перед началом работы. Это может привести к улучшению взаимодействия с пользователем.

Кроме того, HTTPURLConnection поддерживает постоянные соединения. Зачем закрывать это соединение, если вы собираетесь сразу запросить другой ресурс? Сохранение соединения TCP открытым с веб-сервером позволяет вашему приложению быстро загружать несколько ресурсов без затрат времени (задержки) на установление нового соединения TCP для каждого ресурса.

Сообщите серверу, что поддерживает gzip, и оберните BufferedReader вокруг GZIPInputStream, если в заголовке ответа указано, что содержимое сжато.