利用正则表达式爬取HTML页面内容

闲来使用正则表达式做了一个HTML页面的数据爬虫,主要是根据页面规则去匹配相应字段内容,记录一下。

利用HttpGet获取页面内容,使用pattern获取匹配内容

CloseableHttpClient client = HttpClientBuilder.create().build();
        long t = new Date().getTime();
        for (int i = 1; i <= max; i++) {
            String uri = "http:///xxx.com/xxx/PG(?)tok=" + t;
            uri = uri.replaceAll("(?)",i+"");
            HttpGet hget = new HttpGet(uri);
            hget.addHeader(HttpHeaders.ACCEPT, "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8");
            hget.addHeader(HttpHeaders.USER_AGENT, "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36");
            CloseableHttpResponse response = client.execute(hget);
            String bodyAsString = EntityUtils.toString(response.getEntity());
            StringBuffer ori = new StringBuffer(bodyAsString);
            if (ori.length() > 0) {
            //获取指定a标签内链接内容以及随后的图片内容
                Pattern pattern = Pattern.compile("<a onclick=\"[^\"]*\"\\starget=\"_blank\"\\shref='([^']*)'>[\\s]*<img src=\"([^\"]*)");
                Matcher matcher = pattern.matcher(ori.toString());
                List<String> content = new ArrayList<>();
                while (matcher.find()) {
                    String tmp = matcher.group(1);
                    String msg = matcher.group(2);
                     System.out.println(tmp +":"+msg );
                 }
                    }else{
                        continue;
                    }

                }
            }
            try {
                Thread.sleep(30000);//休息30s
            } catch (InterruptedException e) {
                e.printStackTrace();
            }
        }

随后附上获取某标题后内容(常用)

Pattern adminPricePattr = Pattern.compile("姓 名 :</span>[^>]*([^<]*)");
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值