免费网页采集器(一门强大的开发语言,正则表达式方法捕获 )

　　免费网页采集器(一门强大的开发语言,正则表达式方法捕获

)

　　开幕

　　作为世界上使用最广泛的语言，Java以其高效、可移植（跨平台）、代码的健壮性和强大的可扩展性深受应用开发者的喜爱。作为一门强大的开发语言，正则表达式的应用当然是必不可少的，掌握正则表达式的能力也是那些资深程序员开发能力的体现。做一个合格的网站程序员（尤其是前端开发），正则表达式是必不可少的。

　　最近因为一些需要，用到java和regular，做了一个足球网站数据采集程序；因为是第一次做关于java采集的html页面数据，一定是我在网上查了很多资料，发现广泛使用的java在使用规律做html采集（中文）文章 非常少见，简单说说java的正则性 实际网页html采集中并没有真正用到这个概念，而且例子教程很少（虽然java有自己的Html Parser，而且很强大），但我个人觉得它是一个如此根深蒂固的正则表达式。相关的java示例教程，应该很多而且很全。所以在完成java版本的html数据采集程序后，

　　本期概述

　　本期我们将学习如何读取网页的源代码，通过分组规律动态抓取我们需要的网页数据。同时，在接下来的几期中，我们将继续学习如何存储捕获的游戏数据。进入数据库（MySql），【数据查询】如何查询我们想看的比赛记录，【远程操作】使用客户端远程访问和操作服务器进行数据存储和查询。

　　关于群体规律

　　说到正则表达式如何帮助java制作html页面采集，这里就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 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 = "SoFlash-12.22.2011";

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：

　　打印出网址链接：

　　打印标题：SoFlash

　　打印日期：12.22.2011

　　分组方法捕获的数据数量：3

　　如果想了解更多正则在Java中的应用，请看JAVA正则表达式（超详细）

　　如果你之前没有学习过正则表达式，可以看看这篇，揭开正则表达式的神秘面纱。

　　页采集 示例

　　好了，分组方法介绍完毕，下面我们使用分组正则采集某某足球网站页面数据

　　页面链接：2011-2012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 = "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();

}

}

　　打印出来的结果就是整个html页面的源码（部分截图如下）。

　　

　　至此，html源码已经成功采集down。但是，我们要的不是整个html源代码，而是网页上的比赛数据。

　　首先我们分析一下html源代码结构，来到2011-2012赛季英超球队战绩页面，右击'查看源文件'（其他浏览器可能称为源代码或相关）。

　　

　　我们来看看内部的html代码结构和我们需要的数据。

　　

　　其对应的页面数据

　　

　　这时候，强大的正则表达式就派上用场了，我们需要写几个正则表达式来抓取团队数据。

　　这里需要三个正则表达式：日期正则、两队正则（主队和客队）和比赛结果正则。

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

　　StringregularTwoTeam = ">[^]*"; //团队常规

　　StringregularResult = ">(\\d{1,2}-\\d{1,2})"; //正则匹配结果

　　写好正则后，我们就可以用正则去抓取我们想要的数据了。

　　首先我们写一个GroupMethod类，里面收录regularGroup()方法，用于抓取html页面数据。

　　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main函数中实现html页面的数据抓取。

<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'