基于Source和正则表达式的Scala网页内容抓取

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：

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()