最近做的一个项目中,其中有这样一个需求:用户要求我们实时在地图上显示某些指定景点的人数,但是却没有给我们数据的接口。不过可以从网页上获取到最新的数据,每小时更新一次。所以经理安排我做一个实时从网页上抓取数据的功能。
既然是网页,那么无用的数据肯定是非常多的,所以就需要用正则表达式来过滤出自己所需要的数据。
不得不说,正则表达式比substring好用多了,而且效率也很不错。下面来分享一下我的这段代码吧:
- /**
- * 从网站获取日期信息
- *
- * @Title: getDate
- * @Date : 2014-8-12 上午09:42:26
- * @return
- */
- private String getDate() {
- // 从网站抓取数据
- String table = catchData();
- String date = "";
- // 使用正则表达式,获取对应的数据
- Pattern places = Pattern.compile("(<p align=\"center\">)([^\\s]*)");
- Matcher matcher = places.matcher(table);
- while (matcher.find()) {
- System.out.println(matcher.group(2));
- date = matcher.group(2);
- }
- return date;
- }
- /**
- * 从网站抓取数据(未经处理)
- *
- * @Title: getData
- * @Date : 2014-8-12 上午09:34:30
- * @return
- */
- @SuppressWarnings("unchecked")
- private String catchData() {
- String table = "";
- try {
- Map map = new HashMap();
- map.put("a", "1");// 莫删,否则报错
- table = AsyncRequestUtil.getJsonResult(map, "http://s.visitbeijing.com.cn/flow.php");
- } catch (Exception e) {
- e.printStackTrace();
- }
- return table;
- }
【AsyncRequestUtil.java】
- package com.zhjy.zydc.util;
- import java.util.Map;
- /**
- * 异步请求数据
- * @author : Cuichenglong
- * @group : tgb
- * @Version : 1.00
- * @Date : 2014-5-28 上午09:54:20
- */
- public class AsyncRequestUtil {
- /**
- * 异步请求数据
- * @Title: getJsonResult
- * @param map
- * @param strURL
- * @return
- */
- public static String getJsonResult(Map<String, Object> map, String strURL)throws Exception {
- /** 跨域登录,获取返回结果 **/
- String result = null;
- result = UrlUtil.getDataFromURL(strURL, map);
- if (result!=null && result.startsWith("null{")) {
- result = result.substring("null".length());
- }
- return result;
- }
- }
- package com.zhjy.zydc.util;
- import java.io.BufferedReader;
- import java.io.InputStreamReader;
- import java.io.OutputStreamWriter;
- import java.io.UnsupportedEncodingException;
- import java.net.URL;
- import java.net.URLConnection;
- import java.net.URLDecoder;
- import java.net.URLEncoder;
- import java.util.ArrayList;
- import java.util.Enumeration;
- import java.util.HashMap;
- import java.util.Iterator;
- import java.util.List;
- import java.util.Map;
- import java.util.Set;
- import javax.servlet.http.HttpServletRequest;
- import javax.servlet.http.HttpSession;
- /**
- * url跨域获取数据
- * @author : Cuichenglong
- * @group : Zhong Hai Ji Yuan
- * @Version : 1.00
- * @Date : 2014-5-27 下午04:14:26
- */
- public final class UrlUtil {
- /**
- * 根据URL跨域获取输出结果
- * @Title: getDataFromURL
- * @param strURL 要访问的URL地址
- * @param param 参数
- * @return 结果字符串
- * @throws Exception
- */
- public static String getDataFromURL(String strURL, Map<String, Object> param) throws Exception{
- URL url = new URL(strURL);
- URLConnection conn = url.openConnection();
- conn.setDoOutput(true);
- conn.setConnectTimeout(5000); //允许5秒钟的延迟:连接主机的超时时间(单位:毫秒)
- conn.setReadTimeout(5000); //允许5秒钟的延迟 :从主机读取数据的超时时间(单位:毫秒)
- OutputStreamWriter writer = new OutputStreamWriter(conn.getOutputStream());
- final StringBuilder sb = new StringBuilder(param.size() << 4); // 4次方
- final Set<String> keys = param.keySet();
- for (final String key : keys) {
- Object value = param.get(key);
- sb.append(key); // 不能包含特殊字符
- sb.append('=');
- //如果格式为String类型,则进行2次解码、2次编码操作
- if (value instanceof String) // String
- {
- // value = (URLDecoder.decode(URLDecoder.decode((String)value, "utf-8"),
- // "utf-8"));
- // value = (Object)(URLEncoder.encode(URLEncoder.encode((String)value, "utf-8"),
- // "utf-8"));
- value = URLEncoder.encode((String)value, "utf-8");
- }
- sb.append(value);
- sb.append('&');
- }
- // 将最后的 '&' 去掉
- sb.deleteCharAt(sb.length() - 1);
- // writer.write("email=pk3589@163.com&password=123");
- writer.write(sb.toString());
- writer.flush();
- writer.close();
- InputStreamReader reder = new InputStreamReader(conn.getInputStream(), "utf-8");
- BufferedReader breader = new BufferedReader(reder);
- // BufferedWriter w = new BufferedWriter(new FileWriter("d:/1.txt"));
- String content = null;
- String result = null;
- while ((content = breader.readLine()) != null) {
- result += content;
- }
- return result;
- }
- }
这是一段很简单的代码。是从http://s.visitbeijing.com.cn/flow.php网址中抓取日期的代码。
其实只有2步,第一步是通过java.net.URL后台访问指定网址,并且拿到页面的html源码。第二步从html源码中通过正则表达式,获取日期。这里说一下正则表达式:
- Pattern places = Pattern.compile("(<p align=\"center\">)([^\\s]*)");
其中^表示屏蔽,\s表示空格,所以^\\s表示屏蔽空格,这里第一个\是转移字符。*表示匹配多个字符。
通过matcher,获取匹配的值。在一次matcher.find()获取每一次匹配的数据,一个括号对应一个group。如果取matcher.group(1),则会取到<p align="center">。matcher.group(2)可以取到匹配的值。
了解了这些,我们就可以随意的从某些网址上抓取数据了。有了数据,还有什么可以挡住我们前进的脚步!!!