Java进行HTML数据采集:浅谈强大的group正则
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：
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
//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='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：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：http://www.footballresults.org/league.php?all=1&league=EngPrem
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 = "http://www.footballresults.org/league.php?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 http://wenku.baidu.com/view/8186caf4f61fb7360b4c6547.html
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 http://blog.sina.com.cn/s/blog_44a05959010004il.html
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,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http://www.footballresults.org/league.php?all=1&league=EngPrem 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 = ">[^<>][^<>]*</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
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class GroupMethod {
// 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
public String regularGroup(String pattern, String matcher) {
Pattern p = Pattern.compile(pattern, Pattern.CASE_INSENSITIVE);
Matcher m = p.matcher(matcher);
if (m.find()) { // 如果读到
return m.group();// 返回捕获的数据
} else {
return ""; // 否则返回一个空值
}
}
} 然后是写主函数代码
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 :)