Java网页数据采集器实例教程[上篇 |
您所在的位置:网站首页 › 数据采集教程视频大全 › Java网页数据采集器实例教程[上篇 |
简介: 作为全球运用最广泛的语言,java 凭借它的高效性,可移植性(跨平台),代码的健壮性以及可强大的可扩展性,深受广大应用程序开发者的喜爱. 作为一门强大的开发语言,正则表达式在其中的应用当然是必不可少的,而且正则表达式的掌握能力也是那些高级程序员的开发功底之体现,做一名合格的网站开发的程序员(尤其是做前端开发),正则表达式是必备的. 最近,由于一些需要,用到了java和正则,做了个的足球网站的数据采集程序,由于是第一次做关于java的html页面数据采集,必然在网上查找了很多资料,但是发现运用如此广泛的java在使用正则做html采集方面的(中文)文章是少之又少,都是简单的谈了下java正则的概念,没有真正用在实际网页html采集,所以实例教程更是寥寥无几(虽然java有它自己的html parser,而且十分强大),但个人觉得作为如此深入人心的正则表达式,理应有其相关的java实例教程,而且应该很多很全.于是在完成java版的html数据采集程序之后,本人便打算写个关于正则表达式在java上的html页面采集,以便有相关兴趣的读者更好的学习. 关于group正则: 说到正则表达式是如何帮助java进行html页面采集,这里简要需要提一下正则表达式中的group方法 group方法 1 public static void main(string[] args){ 2//pattern 用于编译正则这里用到了3个正则 分别用括号()包住 3//匹配url 当然这里的正则不一定准确 这个匹配url的正则就是错误的 只是在这里刚好能匹配出来 4//第2个正则是用于匹配标题 soflash的 5//第3个正则用于匹配日期 6/*这里只用了一条语句便把url,标题和日期全部给匹配出来了*/ 7pattern p = pattern.compile("='(\\w.+)'>(\\w.+[a-za-z])-(\\d{1,2}\\.\\d{1,2}\\.\\d{4})"); 8string s = "soflash-12.22.2011"; 9matcher m = p.matcher(s); 10while(m.find()){ 11//通过调用group()方法里的索引 将url,标题和日期全部给打印出来 12system.out.println("打印出url链接:"+m.group(1)); 13system.out.println("打印出标题:"+m.group(2)); 14system.out.println("打印出日期:"+m.group(3)); 15system.out.println(); 16} 17system.out.println("group方法捕获的数据个数:"+m.groupcount()+ "个"); 18} 我们看下输出结果: 打印出url链接:www.cnblogs.com/longwu 打印出标题:soflash 打印出日期:12.22.2011 group方法捕获的数据个数:3个 想了解更多的朋友请看 java 正则表达式 (超详细) 如果之前没有学过正则的可以看看这个 正则表达式的元字符匹配 好了 group方法介绍完了 我们来简单的使用下 group采集某个足球网站页面的数据 页面链接: 2011-2012赛季英超球队战绩 首先我们读取整个html页面,并打印出来代码如下 抓取整个html页面数据 1 public static void main(string[] args) { 2string strurl = "http://www.footballresults.org/league.php?all=1&league=engprem"; 3try { 4// 创建一个url对象来指向 该网站链接 括号里()装载的是该网站链接的路径 5// 更多可以看看 http://wenku.baidu.com/view/8186caf4f61fb7360b4c6547.html 6url url = new url(strurl); 7// inputstreamreader 是一个输入流读取器 用于将读取的字节转换成字符 8// 更多可以看看 http://blog.sina.com.cn/s/blog_44a05959010004il.html 9inputstreamreader isr = new inputstreamreader(url.openstream(), 10"utf-8"); // 统一使用utf-8 编码模式 11// 使用 bufferedreader 来读取 inputstreamreader 转换成的字符 12bufferedreader br = new bufferedreader(isr); 13// 如果 bufferedreader 读到的内容不为空 14while (br.readline() != null) { 15// 则打印出来 这里打印出来的结果 应该是整个网站的 16system.out.println(br.readline()); 17} 18br.close(); // 读取完成后关闭读取器 19} catch (ioexception e) { 20// 如果出错 抛出异常 21e.printstacktrace(); 22} 23} 打印出来的结果 是整个html页面的源代码 (部分截图如下) 到这里,数据已经成功采集下来了, 当然 我们想要的并不是整个html源代码, 我们需要的是网页上的比赛数据. 首先 我们分析下 html源代码结构 来到 2011-2012赛季英超球队战绩 页面 右键该页面 点击 '查看源文件'如图 我们来看看 其内部的html代码结构 以及我们需要的数据 其对应的页面数据 这时候,强大的正则表达式派上用场了, 我们需要写几个用来匹配我们需要数据的正则 这里需要用到 3个正则包括 日期,2个球队的(主队和客队)以及比赛结果的 如下 string regulardate = "(\\d{1,2}\\.\\d{1,2}\\.\\d{4})";//日期正则 string regulartwoteam = ">[^";//球队正则 string regularresult = ">(\\d{1,2}-\\d{1,2})";//比赛结果正则 写好正则 我们便可以使用该正则来获取 我们想要得到的数据了 首先 我们写一个groupmethod类 用于存放regulargroup()方法 groupmethod类 1 import java.util.regex.matcher; 2 import java.util.regex.pattern; 3 4 public class groupmethod { 5// 传入2个字符串参数 一个是pattern(我们使用的正则) 另一个matcher是html源代码 6public string regulargroup(string pattern, string matcher) { 7pattern p = pattern.compile(pattern, pattern.case_insensitive); 8matcher m = p.matcher(matcher); 9if (m.find()) { // 如果读到 10return m.group();// 返回捕获的数据 11} else { 12return ""; // 否则返回一个空值 13} 14} 15 } 然后是写主函数代码 主函数-收集我们需要的数据 1 import java.io.bufferedreader; 2 import java.io.ioexception; 3 import java.io.inputstreamreader; 4 import java.net.url; 5 6 public class main { 7 8public static void main(string[] args) { 9// 首先用一个字符串 来装载网页链接 10string strurl = "http://www.footballresults.org/league.php?all=1&league=engprem"; 11try { 12// 创建一个url对象来指向 该网站链接 括号里()装载的是该网站链接的路径 13// 更多可以看看 http://wenku.baidu.com/view/8186caf4f61fb7360b4c6547.html 14url url = new url(strurl); 15// inputstreamreader 是一个输入流读取器 用于将读取的字节转换成字符 16// 更多可以看看 http://blog.sina.com.cn/s/blog_44a05959010004il.html 17inputstreamreader isr = new inputstreamreader(url.openstream(), 18"utf-8"); // 统一使用utf-8 编码模式 19// 使用 bufferedreader 来读取 inputstreamreader 转换成的字符 20bufferedreader br = new bufferedreader(isr); 21string strread = ""; // new 一个字符串来装载 bufferedreader 读取到的内容 22// 如果 bufferedreader 读到的内容不为空 23 24// 定义3个正则 用于获取我们需要的数据 25string regulardate = "(\\d{1,2}\\.\\d{1,2}\\.\\d{4})"; 26string regulartwoteam = ">[^"; 27string regularresult = ">(\\d{1,2}-\\d{1,2})"; 28 29// new一个 groupmethod类的对象 gmethod 方便后期调用其类里的 regulargroup方法 30groupmethod gmethod = new groupmethod(); 31int i =0;//定义一个i来记录循环次数即收集到的球队比赛结果条数 32int index = 0; // 定义一个索引 用于获取分离 2个球队的数据 因为2个球队正则是相同的 33// 开始读取数据 如果读到的数据不为空 则往里面读 34while ((strread = br.readline()) != null) { 35/** 36* 用于捕获日期数据 37*/ 38string strget = gmethod.regulargroup(regulardate, strread); 39//如果捕获到了符合条件的 日期数据 则打印出来 40if (!strget.equals("")) { 41system.out.println("date:" + strget); 42//这里索引+1是用于获取后期的球队数据 43++index;//因为在html页面里 源代码里 球队数据是在刚好在日期之后 44} 45/** 46* 用于获取2个球队的数据 47*/ 48strget = gmethod.regulargroup(regulartwoteam, strread); 49if (!strget.equals("") && index == 1) { //索引为1的是主队数据 50// 通过subtring方法 分离出 主队数据 51strget = strget.substring(1, strget.indexof("")); 52system.out.println("hometeam:" + strget); //打印出主队 53index++;//索引+1之后 为2了 54// 通过subtring方法 分离出 客队 55} else if (!strget.equals("") && index == 2) {//这里索引为2的是客队数据 56strget = strget.substring(1, strget.indexof("")); 57system.out.println("awayteam:" + strget); //打印出客队 58index = 0; 59} 60/** 61* 用于获取比赛结果 62*/ 63strget = gmethod.regulargroup(regularresult, strread); 64if (!strget.equals("")) { 65//这里同样用到了substring方法 来剔除'" 标签 来获取我们想要的比赛结果 66strget = strget.substring(1, strget.indexof("")); 67system.out.println("result:" + strget); 68system.out.println(); 69i++; 70} 71} 72// 当读完数据后 记得关闭 bufferreader 73br.close(); 74system.out.println("共收集到"+i+"条比赛记录");//打印出循环次数 75} catch (ioexception e) { 76// 如果出错 抛出异常 77e.printstacktrace(); 78} 79 80} 81 } 我们来看看输出结果(部分截图-初始阶段) 对比下 html上的数据 (部分截图-初始阶段) 输出结果(部分截图-结束阶段) 对比下 html上的数据 (部分截图-结束阶段) 好了 这样的html数据采集就完成了 :) 当然这里只是抓取了一个页面的内容,如果感兴趣 想抓去更多的页面内容 你可以分析下该链接后的联盟名 例如 league=engprem通过改变league名来获取所有联 盟的比赛数据你可以写个接口 把所有球队的名字放进去, 当然还有更智能的方法 你可以写个方法 从http://www.footballresults.org/allleagues.php 页面 获取所有球队的名字 然后来附加到 "http://www.footballresults.org/league.php?all=1&league=" 链接后面 来补齐链接 循环读取各个联盟比赛页面的内容 附上源代码下载htmldatacollection.zip 相关推荐 java网页数据采集器实例教程[中篇-数据存储] ====================================================== 在最后,我邀请大家参加新浪APP,就是新浪免费送大家的一个空间,支持PHP+MySql,免费二级域名,免费域名绑定 这个是我邀请的地址,您通过这个链接注册即为我的好友,并获赠云豆500个,价值5元哦!短网址是http://t.cn/SXOiLh我创建的小站每天访客已经达到2000+了,每天挂广告赚50+元哦,呵呵,饭钱不愁了,\(^o^)/ |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |