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***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***(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 :)

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。

原文链接：http://www.cnblogs.com/longwu/archive/2011/12/24/2300110.html

【编辑推荐】

1. 多态在 Java 和 C++ 编程语言中的实现比较
2. 利用JavaMail API 解析MIME
3. 详细解析Java中抽象类和接口的区别
4. 解读Java环境变量配置
5. Cinch和Sysmon发布 Java辅助开发工具