Java网页数据抓取实例

在很多行业中，要对行业数据进行分类汇总，及时分析行业数据，对于公司未来的发展，有很好的参照和横向对比。所以，在实际工作，我们可能要遇到数据采集这个概念，数据采集的最终目的就是要获得数据，提取有用的数据进行数据提取和数据分类汇总。

很多人在第一次了解数据采集的时候，可能无从下手，尤其是作为一个新手，更是感觉很是茫然，所以，在这里分享一下自己的心得，希望和大家一起分享技术，如果有什么不足，还请大家指正。写出这篇目的，就是希望大家一起成长，我也相信技术之间没有高低，只有互补，只有分享，才能使彼此更加成长。

在网页数据采集的时候，我们往往要经过这几个大的步骤：

①通过URL地址读取目标网页②获得网页源码③通过网页源码抽取我们要提取的目的数据④对数据进行格式转换，获得我们需要的数据。

这是一个示意图，希望大家了解

了解了基本流程，下来，我以一个案例具体实现如何提取我们需要的数据，对于数据提取可以用正则表达式进行提取，也可以用httpclient+jsoup进行提取，此处，暂且不讲解httpclient+jsou提取网页数据的做法，以后会对httpclient+jsoup进行专门的讲解，此处，先开始讲解如何用正则表达式对数据进行提取。

我在这里找到一个网站：http://www.ic.net.cn/userSite/publicQuote/quotes_list.php 我们要对里面的数据进行提取操作，我们要提取的最终结果是产品的型号、数量、报价、供应商，首先，我们看到这个网站整个页面预览

其次我们看网页源码结构：

上面源码可以很清楚的可以看到整个网页源码结构，下来我们就对整个网页数据进行提取

import java.io.BufferedReader;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.URL;
import java.util.ArrayList;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class HTMLPageParser {
	public static void main(String[] args) throws Exception {
		//目的网页URL地址
		getURLInfo("http://www.ic.net.cn/userSite/publicQuote/quotes_list.php","utf-8");
	}
	public static List<Product> getURLInfo(String urlInfo,String charset) throws Exception {
		//读取目的网页URL地址，获取网页源码
		URL url = new URL(urlInfo);
		HttpURLConnection httpUrl = (HttpURLConnection)url.openConnection();
		InputStream is = httpUrl.getInputStream();
		BufferedReader br = new BufferedReader(new InputStreamReader(is,"utf-8"));
		StringBuilder sb = new StringBuilder();
		String line;
		while ((line = br.readLine()) != null) {
			//这里是对链接进行处理
			line = line.replaceAll("</?a[^>]*>", "");
			//这里是对样式进行处理
			line = line.replaceAll("<(\\w+)[^>]*>", "<$1>");
			sb.append(line);
		}
		is.close();
		br.close();
		//获得网页源码
		return getDataStructure(sb.toString().trim());
	}
	static Pattern proInfo 
		   = Pattern.compile("<div>(.*?)</div>\\s*<div>(.*?)</div>\\s*<div>(.*?)</div>\\s*<div>(.*?)</div>\\s*<div>(.*?)</div>", Pattern.DOTALL);
	private static List<Product> getDataStructure(String str) {
		//运用正则表达式对获取的网页源码进行数据匹配，提取我们所要的数据，在以后的过程中，我们可以采用httpclient+jsoup,
		//现在暂时运用正则表达式对数据进行抽取提取
		String[] info = str.split("</li>");
		List<Product> list = new ArrayList<Product>();
		for (String s : info) {
			Matcher m = proInfo.matcher(s);
			Product p = null;
			if (m.find()) {
				p = new Product();
				//设置产品型号
				String[] ss = m.group(1).trim().replace(" ", "").split(">");
				p.setProStyle(ss[1]);
				//设置产品数量
				p.setProAmount(m.group(2).trim().replace(" ", ""));
				//设置产品报价
				p.setProPrice(m.group(4).trim().replace(" ", ""));
				//设置产品供应商
				p.setProSupplier(m.group(5).trim().replace(" ", ""));
				list.add(p);
			}
		}
		//这里对集合里面不是我们要提取的数据进行移除
		list.remove(0);
		for (int i = 0; i < list.size(); i++) {
			System.out.println("产品型号:"+list.get(i).getProStyle()+",产品数量:"+list.get(i).getProAmount()
					+",产品报价:"+list.get(i).getProPrice()+",产品供应商:"+list.get(i).getProSupplier());
		}
		return list;
	}
}
class Product {
	private String proStyle;//产品型号
	private String proAmount;//产品数量
	private String proPrice;//产品报价
	private String proSupplier;//产品供应商
	public String getProStyle() {
		return proStyle;
	}
	public void setProStyle(String proStyle) {
		this.proStyle = proStyle;
	}
	public String getProSupplier() {
		return proSupplier;
	}
	public void setProSupplier(String proSupplier) {
		this.proSupplier = proSupplier;
	}
	
	public String getProAmount() {
		return proAmount;
	}
	public void setProAmount(String proAmount) {
		this.proAmount = proAmount;
	}
	public String getProPrice() {
		return proPrice;
	}
	public void setProPrice(String proPrice) {
		this.proPrice = proPrice;
	}
	public Product() {
		
	}
	@Override
	public String toString() {
		return "Product [proAmount=" + proAmount + ", proPrice=" + proPrice
				+ ", proStyle=" + proStyle + ", proSupplier=" + proSupplier
				+ "]";
	}
	
}

好了，运行上面程序，我们得到下面的数据，就是我们要获得的最终数据

获得数据成功，这就是我们要获得最终的数据结果，最后我要说的是，此处这个网页算是比较简单的，而且，网页源码可以看到源数据，并且此方式是以get方式进行数据提交，真正采集的时候，有些网页结构比较复杂，可能会存在着源码里面没有我们所要提取的数据，关于这一点的解决方式，以后给大家进行介绍。还有，我在采集这个页面的时候，只是采集了当前页面的数据，它还有分页的数据，关于这个我此处不做讲解，只是提示一点，我们可以采用多线程对所有分页的当前数据进行采集，通过线程一个采集当前页面数据，一个进行翻页动作，就可以采集完所有数据。

我们匹配的数据可能在项目实际开发中，要求我们对所提取的数据要进行数据储存，方便我们下一次进行数据的查询操作，下一节我会给大家分享自己有关如何对采集的数据进行数据库储存。