基于Source和正则表达式的Scala网页内容抓取
2015-11-25 16:55
399 查看
网页内容的抓取使用了Scala标准库的Source,网页内容的提取使用了正则表达式。中间练习了集合类的一些操作和文件读写操作,对正则表达式也重温了一下,特别是跨行匹配(多行匹配)研究了一些时间。提取后的文本写在了文件中。在Ubuntu 10.04 和 Scala 2.10.0 下运行成功。
代码如下:
代码如下:
import java.io._ def getIndex() = { val indexSource = scala.io.Source.fromURL("http://www.yifan100.com/dir/15136/").mkString val indexRegex = """<a target="_blank" href="(.+\.html)" title=".+" >(.+)</a>""".r (List[(String, String)]() /: indexRegex.findAllMatchIn(indexSource).toList) { (result, item) => ("http://www.yifan100.com" + (item group 1), item group 2) :: result } // return List[(url:String, title:String)] } def getContent(url:String) = { val raw = scala.io.Source.fromURL(url).mkString val reg = """(?s).*<div class="artcontent">(.*)<div id="zhanwei">.*""".r (reg findFirstMatchIn raw).map[String](item => { val s = (item group 1).replaceAll("<br>", "\r\n"). replaceAll("""(?s)</?.*?>""", ""). replaceAll("""^\s+""", ""). replaceAll(" ", " ") s } ) // return Option[String] } def writeContent(content:Option[String], title:String) { if(content.isEmpty) println("Not write " + title + ".txt") else { val writer = new PrintWriter(new File(title + ".txt")) writer write content.get writer.close() println("Write " + title + ".txt") } } def getIt() { getIndex().foreach(item => writeContent(getContent(item._1), item._2)) } getIt()
相关文章推荐
- aapt批量修改apk
- Android studio 签名使用转
- Threejs 使用的3D格式
- C语言中关于float、double、long double精度及数值范围理解
- C#
- Uva 1471 用Set优化查询
- 字节流
- hive 永久udf函数
- (java)Symmetric Tree
- 【人月神话】第三章:外科手术队伍
- 图像处理中的卷积---1.卷积
- javaweb项目ajax的跨域访问问题
- 【Android】.9图的一个BUG?
- 判断一个字符串是否为另外一个字符串旋转之后的字符串。
- VIM入门配置
- SSH:Struts2框架(Tag标签的使用)
- OkHttp完全解析(四)连接Connections
- wget的下载JDK问题
- Ant如何打包UIAutomator项目用到的第三方JAR包
- android自定义权限