网页抓取与处理的一些方法

昨天还是2014，今天就变成了2015。时间总是那么快，这篇文章就作为2015年的一个开始吧。

这篇文章主要介绍一些网页抓取及抓取下来的内容处理。

所需要的jar包点击打开链接，我放在百度云盘里。有需要的可以下载，其他的请自行下载。

百度百科对网页抓取的定义，当然本文并没有介绍的那么多，只是介绍对单个页面的抓取，和模拟提交表单抓取页面，如需深究，请自行baidu or google。

上面的方法直接返回String字符串，只需传入一个链接即可。相信大家都看的懂。

那么获取到的String字符串，我们该怎么处理呢？

我先拿一个网站测试下。就比如这个点击打开链接，这个网站显示了今天在历史上发生了什么大事件。而我们要抓取的内容只有一部分，比如：历史上今天大事记

或者历史上今天逝世

这里就对抓取历史上今天大事记做一个介绍。

这里用到了一个extract的方法，也就是对www.rijiben.com获取的的String字符串进行分割，获取到我们需要的信息。

这里的html也就是上面传进去的html。compile里面是正则表达式，它把整个页面分成了5段，那么我们应该如何获取到里面的那一段呢？

group里面的数字就是获取分割后的哪一段。

具体的可以查看这里。

下面介绍如何模拟提交表单后抓取页面，其实原理与上面大同小异。

相信我上面的图片已经很明显的把功能都说明了，后续对表单提交后显示的页面做其他处理就要看你怎么做了。

最后祝大家元旦快乐