Java网页数据采集器实例教程[上篇-数据采集]
简介:
作为全球运用最广泛的语言,Java 凭借它的高效性,可移植性(跨平台),代码的健壮性以及可强大的可扩展性,深受广大应用程序开发者的喜爱. 作为一门强大的开发语言,正则表达式在其中的应用当然是必不可少的,而且正则表达式的掌握能力也是那些高级程序员的开发功底之体现,做一名合格的网站开发的程序员(尤其是做前端开发),正则表达式是必备的.
最近,由于一些需要,用到了java和正则,做了个的足球网站的数据采集程序,由于是第一次做关于java的html页面数据采集,必然在网上查找了很多资料,但是发现运用如此广泛的java在使用正则做html采集方面的(中文)文章是少之又少,都是简单的谈了下java正则的概念,没有真正用在实际网页html采集,所以实例教程更是寥寥无几(虽然java有它自己的Html Parser,而且十分强大),但个人觉得作为如此深入人心的正则表达式,理应有其相关的java实例教程,而且应该很多很全.于是在完成java版的html数据采集程序之后,本人便打算写个关于正则表达式在java上的html页面采集,以便有相关兴趣的读者更好的学习.
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,这里简要需要提一下正则表达式中的group方法
我们看下输出结果:
打印出url链接: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
想了解更多的朋友请看 JAVA 正则表达式 (超详细)
如果之前没有学过正则的可以看看这个 正则表达式的元字符匹配
好了 group方法介绍完了 我们来简单的使用下 group采集某个足球网站页面的数据
页面链接: 2011-2012赛季英超球队战绩
首先我们读取整个html页面,并打印出来 代码如下
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,数据已经成功采集下来了, 当然 我们想要的并不是整个html源代码, 我们需要的是网页上的比赛数据.
首先 我们分析下 html源代码结构 来到 2011-2012赛季英超球队战绩 页面
右键该页面 点击 '查看源文件' 如图
我们来看看 其内部的html代码结构 以及我们需要的数据
其对应的页面数据
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匹配我们需要数据的正则
这里需要用到 3个正则 包括 日期, 2个球队的(主队和客队) 以及比赛结果的 如下
String regularDate = "(\\d{1,2}\\.\\d{1,2}\\.\\d{4})"; //日期正则
String regularTwoTeam = ">[^<>]*</a>"; //球队正则
String regularResult = ">(\\d{1,2}-\\d{1,2})</TD>"; //比赛结果正则
写好正则 我们便可以使用该正则来获取 我们想要得到的数据了
首先 我们写一个GroupMethod类 用于存放regularGroup()方法
然后是写主函数代码
我们来看看输出结果(部分截图-初始阶段)
对比下 html上的数据 (部分截图-初始阶段)
输出结果(部分截图-结束阶段)
对比下 html上的数据 (部分截图-结束阶段)
好了 这样的html数据采集就完成了 :)
当然这里只是抓取了一个页面的内容,如果感兴趣 想抓去更多的页面内容 你可以分析下该链接后的联盟名 例如 league=EngPrem 通过改变league名来获取所有联
盟的比赛数据 你可以写个接口 把所有球队的名字放进去, 当然还有更智能的方法 你可以写个方法 从http://www.footballresults.org/allleagues.php 页面
获取所有球队的名字 然后来附加到 "http://www.footballresults.org/league.php?all=1&league=" 链接后面 来补齐链接 循环读取各个联盟比赛页面的内容
附上源代码下载 htmlDataCollection.zip
相关推荐