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]