Java网页数据采集器实例教程[上篇-数据采集]

http://www.cnblogs.com/longwu/archive/2011/12/24/2300110.html

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

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

抓取整个html页面数据

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

GroupMethod类

然后是写主函数代码

主函数-收集我们需要的数据

我们来看看输出结果(部分截图-初始阶段)