java抓取网页数据(一门强大的开发语言,正则表达式方法捕获 )

　　java抓取网页数据(一门强大的开发语言,正则表达式方法捕获

)

　　开口

　　作为世界上使用最广泛的语言，Java以其高效性、可移植性（跨平台）、代码健壮性和强大的可扩展性深受大多数应用程序开发人员的喜爱。作为一种功能强大的开发语言，正则表达式的应用固然必不可少，而且掌握正则表达式的能力也是高级程序员开发技能的体现。正则表达式是网站开发（特别是前端开发）的合格程序员所必需的

　　最近，由于一些需要，Java和regular被用来为足球网站制作数据采集程序；因为这是第一次使用HTML页面数据采集，所以我一定在互联网上找到了很多信息，但我发现广泛使用的Java正在使用常规的html采集Aspects（中文）文章很少。它们都很简单。我谈到了Java规则性的概念，它并没有真正用于实际的web页面html采集但是，示例教程很少（尽管Java有自己的HTML解析器，功能非常强大），但是，我觉得作为一个流行的正则表达式，应该有很多完整的Java示例教程。因此，在用Java完成HTML数据采集程序之后，我打算在采集编写一个关于Java正则表达式的HTML页面，以便感兴趣的读者能够更好地学习

　　这一时期的概况

　　在本期中，我们将学习如何阅读网页源代码，并通过group regular动态捕获所需的网页数据。同时，在下一期中，我们将继续学习[数据存储]如何将捕获的游戏数据保存到数据库（MySQL），[数据查询]如何查询我们想要查看的游戏记录，[远程操作]客户端可以远程访问和操作服务器采集，存储和查询数据

　　关于群正则性

　　当谈到正则表达式如何帮助java处理HTML页面采集时，我们需要提到正则表达式中的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 http://www.cnblogs.com/longwu

*/

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=&#39;http://www.cnblogs.com/longwu&#39;>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");

}

}

　　让我们看看输出：

　　打印出URL链接：

　　打印输出标题：soflash

　　打印日期：12. 22.2011

　　组方法捕获的数据数：3

　　如果您想更多地了解正则表达式在Java中的应用，请参阅Java正则表达式（超级详细）

　　如果你以前没有学过正则表达式，你可以看看这个来揭开正则表达式的神秘面纱

　　页面采集instance

　　好的，在介绍了分组方法之后，让我们使用下一个分组规则采集football网站page的数据

　　页面链接：2011-2012年英超球队成就

　　首先，我们阅读整个HTML页面并将其打印出来（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();

}

}

　　打印的结果是整个HTML页面的源代码（部分屏幕截图如下）

　　

　　这里，HTML源代码已成功采集down。然而，我们想要的不是整个HTML源代码，而是网页上的游戏数据

　　首先，我们分析HTML源代码结构，进入2011-2012赛季英超球队记录页面，右键单击“查看源文件”（其他浏览器可能称为源代码或相关浏览器）

　　

　　让我们看看它的内部HTML代码结构和我们需要的数据

　　

　　它对应的页面数据

　　

　　此时，强大的正则表达式就派上了用场。我们需要编写几个正则表达式来捕获团队数据

　　这里需要三个正则表达式：常规日期、常规两队（主队和客队）和常规比赛结果

　　String regulardate=“（\\D{1,2}\\\\\\\\\D{1,2}\\\\.\\D{4}）”；//定期日期

　　字符串regulartwoteam=“&gt；[^]*”；//团队常规

　　String regularresult=“&gt；（\\D{1,2}-\\D{1,2}）”；//定期比赛成绩

　　在编写正则表达式之后，我们可以使用正则表达式获取所需的数据

　　首先，我们编写一个groupmethod类，其中收录用于获取HTML页面数据的regulargroup（）方法

　　import java.util.regex.Matcher;

import java.util.regex.Pattern;

/**

* GroupMethod类 用于匹配并抓去 Html上我们想要的内容

* @author SoFlash - 博客园 http://www.cnblogs.com/longwu

*/

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 ""; // 否则返回一个空字符串

}

}

}

　　然后在主功能中实现HTML页面的数据捕获

<p>import java.io.BufferedReader;

import java.io.IOException;

import java.io.InputStreamReader;

import java.net.URL;

/**

* Main主函数 用于数据采集

* @author SoFlash - 博客园 http://www.cnblogs.com/longwu

*/

public class Main {

public static void main(String[] args) {

// 首先用一个字符串 来装载网页链接

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);

String strRead = ""; // 新增一个空字符串strRead来装载 BufferedReader 读取到的内容

// 定义3个正则 用于匹配我们需要的数据

String regularDate = "(\\d{1,2}\\.\\d{1,2}\\.\\d{4})";

String regularTwoTeam = ">[^]*</a>";

String regularResult = ">(\\d{1,2}-\\d{1,2})";

// 创建一个GroupMethod类的对象 gMethod 方便后期调用其类里的 regularGroup方法

GroupMethod gMethod = new GroupMethod();

int 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数

int 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

// 开始读取数据 如果读到的数据不为空 则往里面读

while ((strRead = br.readLine()) != null) {

/**

* 用于捕获日期数据

*/

String strGet = gMethod.regularGroup(regularDate, strRead);

//如果捕获到了符合条件的 日期数据 则打印出来

if (!strGet.equals("")) {

System.out.println("Date:" + strGet);

//这里索引+1 是用于获取后期的球队数据

++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

}

/**

* 用于获取2个球队的数据

*/

strGet = gMethod.regularGroup(regularTwoTeam, strRead);

if (!strGet.equals("") && index == 1) { //索引为1的是主队数据

// 通过substring方法 分离出 主队数据

strGet = strGet.substring(1, strGet.indexOf("</a>"));

System.out.println("HomeTeam:" + strGet); //打印出主队

index++; //索引+1之后 为2了

// 通过substring方法 分离出 客队

} else if (!strGet.equals("") && index == 2) { //这里索引为2的是客队数据

strGet = strGet.substring(1, strGet.indexOf("</a>"));

System.out.println("AwayTeam:" + strGet); //打印出客队

index = 0;

}

/**

* 用于获取比赛结果

*/

strGet = gMethod.regularGroup(regularResult, strRead);

if (!strGet.equals("")) {

//这里同样用到了substring方法 来剔除&#39;