java 网页数据采集_java网页数据采集器(上篇-数据采集)

关于group正则

说到正则表达式是如何帮助java进行html页面采集,这里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");

}

}

我们看下输出结果:

打印出url链接:http://www.cnblogs.com/longwu

打印出标题:SoFlash

打印出日期:12.22.2011

group方法捕获的数据个数:3个

好了 group方法介绍完了 我们来使用下group正则采集某个足球网站页面的数据

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();

}

}

打印出来的结果是整个html页面的源代码(部分截图如下).

到这里,html源代码已经成功采集下来了.但是,我们想要的并不是整个html源代码, 而是网页上的比赛数据

我们来看看 其内部的html代码结构 以及我们需要的数据

这时候,强大的正则表达式派上用场了, 我们需要写几个用来抓取球队数据的正则.

写好正则, 我们便可以使用该正则来抓取我们想要得到的数据了.

首先,我们写一个GroupMethod类, 里面包含了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 ""; // 否则返回一个空值

}

}

}

然后在主函数里实施html页面的数据抓取.

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 = ">[^<>]*";

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(""));

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(""));

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'" 标签 来获取我们想要的比赛结果

strGet = strGet.substring(1, strGet.indexOf(""));

System.out.println("Result:" + strGet);

System.out.println();

i++;

}

}

// 当读完数据后 记得关闭 BufferReader

br.close();

System.out.println("共收集到"+i+"条比赛记录");//打印出循环次数

} catch (IOException e) {

// 如果出错 抛出异常

e.printStackTrace();

}

}

}

运行即可