开篇
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,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.
本期概述
这期我们来学习下如何读取网页源代码，并通过group正则 动态抓取我们需要的网页数据.同时在接下来的几期,我们将继续学习[数据存储]如何将抓取的比赛数据存到数据库(MySql),[数据查询]怎样查询我们想看的比赛记录,以及[远程操作]通过客户端远程访问和操作服务器来进行数据的采集,存储和查询.
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,这里需要提一下正则表达式中的group方法(代码如下).
import java.util.regex.Matcher;import java.util.regex.Pattern;/*** Group 类 用于匹配和抓取 html页面的数据* @author SoFlash – 博客园 */public class Group {public static void main(String[] args) {// Pattern 用于编译正则 这里用到了3个正则 分别用括号()包住// 第1个正则用于匹配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// 第2个正则是用于匹配标题 SoFlash的// 第3个正则用于匹配日期/* 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 */Pattern p = Pattern.compile("='(\\w.+)’>(\\w.+[a-zA-Z])-(\\d{1,2}\\.\\d{1,2}\\.\\d{4})");String s = "<a href=’http://www.cnblogs.com/longwu’>SoFlash-12.22.2011</a>";Matcher m = p.matcher(s);while (m.find()) {// 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System.out.println("打印出url链接:" + m.group(1));System.out.println("打印出标题:" + m.group(2));System.out.println("打印出日期:" + m.group(3));System.out.println();}System.out.println("group方法捕获的数据个数:" + m.groupCount() + "个");}}
我们看下输出结果:
打印出url链接: 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
想了解更多的正则在java方面应用的朋友请看 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 揭开正则表达式的神秘面纱
页面采集实例
好了 group方法介绍完了 我们来使用下group正则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).
public static void main(String[] args) {String strUrl = "?all=1&league=EngPrem";try {// 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// 更多可以看看 URL url = new URL(strUrl);// InputStreamReader 是一个输入流读取器 用于将读取的字节转换成字符// 更多可以看看 InputStreamReader isr = new InputStreamReader(url.openStream(),"utf-8"); // 统一使用utf-8 编码模式// 使用 BufferedReader 来读取 InputStreamReader 转换成的字符BufferedReader br = new BufferedReader(isr);// 如果 BufferedReader 读到的内容不为空while (br.readLine() != null) {// 则打印出来 这里打印出来的结果 应该是整个网站的System.out.println(br.readLine());}br.close(); // 读取完成后关闭读取器} catch (IOException e) {// 如果出错 抛出异常e.printStackTrace();}}
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,html源代码已经成功采集下来了.但是,我们想要的并不是整个html源代码, 而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 点击 ‘查看源文件’ (其它浏览器可能叫源代码或者相关)
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抓取球队数据的正则.
这里需要用到3个正则表达式:日期正则,2个球队正则(主队和客队)以及比赛结果正则.
String regularDate = "(\\d{1,2}\\.\\d{1,2}\\.\\d{4})";//日期正则String regularTwoTeam = ">[^<>]*</a>"; //球队正则String regularResult = ">(\\d{1,2}-\\d{1,2})</TD>"; //比赛结果正则
写好正则, 我们便可以使用该正则来抓取我们想要得到的数据了.
首先,我们写一个GroupMethod类, 里面包含了regularGroup()方法,用于抓取html页面数据.
生命不在长而在于好，只要每一次尽力的演示，都值得鼓励与喝采。
