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




group方法
1 public static void main(string[] args){
2//pattern 用于编译正则这里用到了3个正则 分别用括号()包住
3//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
4//第2个正则是用于匹配标题 soflash的
5//第3个正则用于匹配日期
6/*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*/
7pattern p = pattern.compile("='(\\w.+)'>(\\w.+[a-za-z])-(\\d{1,2}\\.\\d{1,2}\\.\\d{4})");
8string s = "soflash-12.22.2011";
9matcher m = p.matcher(s);
10while(m.find()){
11//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
12system.out.println("打印出url链接:"+m.group(1));
13system.out.println("打印出标题:"+m.group(2));
14system.out.println("打印出日期:"+m.group(3));
15system.out.println();
16}
17system.out.println("group方法捕获的数据个数:"+m.groupcount()+ "个");
18}
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
1 public static void main(string[] args) {
2string strurl = "http://www.footballresults.org/league.php?all=1&league=engprem";
3try {
4// 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
5// 更多可以看看 http://wenku.baidu.com/view/8186caf4f61fb7360b4c6547.html 6url url = new url(strurl);
7// inputstreamreader 是一个输入流读取器 用于将读取的字节转换成字符
8// 更多可以看看 http://blog.sina.com.cn/s/blog_44a05959010004il.html 9inputstreamreader isr = new inputstreamreader(url.openstream(),
10"utf-8"); // 统一使用utf-8 编码模式
11// 使用 bufferedreader 来读取 inputstreamreader 转换成的字符
12bufferedreader br = new bufferedreader(isr);
13// 如果 bufferedreader 读到的内容不为空
14while (br.readline() != null) {
15// 则打印出来 这里打印出来的结果 应该是整个网站的
16system.out.println(br.readline());
17}
18br.close(); // 读取完成后关闭读取器
19} catch (ioexception e) {
20// 如果出错 抛出异常
21e.printstacktrace();
22}
23}
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 = ">[^";//球队正则
string regularresult = ">(\\d{1,2}-\\d{1,2})";//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
1 import java.util.regex.matcher;
2 import java.util.regex.pattern;
3
4 public class groupmethod {
5// 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
6public string regulargroup(string pattern, string matcher) {
7pattern p = pattern.compile(pattern, pattern.case_insensitive);
8matcher m = p.matcher(matcher);
9if (m.find()) { // 如果读到
10return m.group();// 返回捕获的数据
11} else {
12return ""; // 否则返回一个空值
13}
14}
15 }
然后是写主函数代码




主函数-收集我们需要的数据
1 import java.io.bufferedreader;
2 import java.io.ioexception;
3 import java.io.inputstreamreader;
4 import java.net.url;
5
6 public class main {
7
8public static void main(string[] args) {
9// 首先用一个字符串 来装载网页链接
10string strurl = "http://www.footballresults.org/league.php?all=1&league=engprem";
11try {
12// 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
13// 更多可以看看 http://wenku.baidu.com/view/8186caf4f61fb7360b4c6547.html 14url url = new url(strurl);
15// inputstreamreader 是一个输入流读取器 用于将读取的字节转换成字符
16// 更多可以看看 http://blog.sina.com.cn/s/blog_44a05959010004il.html 17inputstreamreader isr = new inputstreamreader(url.openstream(),
18"utf-8"); // 统一使用utf-8 编码模式
19// 使用 bufferedreader 来读取 inputstreamreader 转换成的字符
20bufferedreader br = new bufferedreader(isr);
21string strread = ""; // new 一个字符串来装载 bufferedreader 读取到的内容
22// 如果 bufferedreader 读到的内容不为空
23
24// 定义3个正则 用于获取我们需要的数据
25string regulardate = "(\\d{1,2}\\.\\d{1,2}\\.\\d{4})";
26string regulartwoteam = ">[^";
27string regularresult = ">(\\d{1,2}-\\d{1,2})";
28
29// new一个 groupmethod类的对象 gmethod 方便后期调用其类里的 regulargroup方法
30groupmethod gmethod = new groupmethod();
31int 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条数
32int 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
33// 开始读取数据 如果读到的数据不为空 则往里面读
34while ((strread = br.readline()) != null) {
35/**
36* 用于捕获日期数据
37*/
38string strget = gmethod.regulargroup(regulardate, strread);
39//如果捕获到了符合条件的 日期数据 则打印出来
40if (!strget.equals("")) {
41system.out.println("date:" + strget);
42//这里索引+1是用于获取后期的球队数据
43++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
44}
45/**
46* 用于获取2个球队的数据
47*/
48strget = gmethod.regulargroup(regulartwoteam, strread);
49if (!strget.equals("") && index == 1) { //索引为1的是主队数据
50// 通过subtring方法 分离出 主队数据
51strget = strget.substring(1, strget.indexof(""));
52system.out.println("hometeam:" + strget); //打印出主队
53index++;//索引+1之后 为2了
54// 通过subtring方法 分离出 客队
55} else if (!strget.equals("") && index == 2) {//这里索引为2的是客队数据
56strget = strget.substring(1, strget.indexof(""));
57system.out.println("awayteam:" + strget); //打印出客队
58index = 0;
59}
60/**
61* 用于获取比赛结果
62*/
63strget = gmethod.regulargroup(regularresult, strread);
64if (!strget.equals("")) {
65//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
66strget = strget.substring(1, strget.indexof(""));
67system.out.println("result:" + strget);
68system.out.println();
69i++;
70}
71}
72// 当读完数据后 记得关闭 bufferreader
73br.close();
74system.out.println("共收集到"+i+"条比赛记录");//打印出循环次数
75} catch (ioexception e) {
76// 如果出错 抛出异常
77e.printstacktrace();
78}
79
80}
81 }
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
java网页数据采集器实例教程[中篇-数据存储]

======================================================

在最后，我邀请大家参加新浪APP，就是新浪免费送大家的一个空间，支持PHP+MySql，免费二级域名，免费域名绑定
这个是我邀请的地址，您通过这个链接注册即为我的好友，并获赠云豆500个，价值5元哦！短网址是http://t.cn/SXOiLh我创建的小站每天访客已经达到2000+了，每天挂广告赚50+元哦，呵呵，饭钱不愁了，\(^o^)/