Java网页数据采集器[上篇-数据采集]

开篇

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,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.

本期概述

这期我们来学习下如何读取网页源代码，并通过group正则动态抓取我们需要的网页数据.同时在接下来的几期,我们将继续学习[数据存储]如何将抓取的比赛数据存到数据库(MySql), [数据查询] 怎样查询我们想看的比赛记录,以及[远程操作]通过客户端远程访问和操作服务器来进行数据的采集,存储和查询.

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,这里需要提一下正则表达式中的group方法(代码如下).

import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
* Group 类 用于匹配和抓取 html页面的数据
* @author SoFlash - 博客园  http://www.cnblogs.com/longwu
*/
public class Group {

    public static void main(String[] args) {
        // Pattern 用于编译正则 这里用到了3个正则 分别用括号()包住
        // 第1个正则用于匹配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
        // 第2个正则是用于匹配标题 SoFlash的
        // 第3个正则用于匹配日期
        /* 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 */
        Pattern p = Pattern
                .compile("='(\w.+)'>(\w.+[a-zA-Z])-(\d{1,2}\.\d{1,2}\.\d{4})");
        String s = "<a href='http://www.cnblogs.com/longwu'>SoFlash-12.22.2011</a>";
        Matcher m = p.matcher(s);
        while (m.find()) {
            // 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
            System.out.println("打印出url链接:" + m.group(1));
            System.out.println("打印出标题:" + m.group(2));
            System.out.println("打印出日期:" + m.group(3));
            System.out.println();
        }
        System.out.println("group方法捕获的数据个数:" + m.groupCount() + "个");
    }
}

我们看下输出结果:

        打印出url链接:http://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

想了解更多的正则在java方面应用的朋友请看 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 揭开正则表达式的神秘面纱

页面采集实例

好了 group方法介绍完了我们来使用下group正则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).

public static void main(String[] args) {

         String strUrl = "http://www.footballresults.org/league.php?all=1&league=EngPrem";
         try {
             // 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
             // 更多可以看看 http://wenku.baidu.com/view/8186caf4f61fb7360b4c6547.html
             URL url = new URL(strUrl);
             // InputStreamReader 是一个输入流读取器 用于将读取的字节转换成字符
             // 更多可以看看 http://blog.sina.com.cn/s/blog_44a05959010004il.html
             InputStreamReader isr = new InputStreamReader(url.openStream(),
                     "utf-8"); // 统一使用utf-8 编码模式
             // 使用 BufferedReader 来读取 InputStreamReader 转换成的字符
             BufferedReader br = new BufferedReader(isr);
             // 如果 BufferedReader 读到的内容不为空
             while (br.readLine() != null) {
                 // 则打印出来 这里打印出来的结果 应该是整个网站的
                 System.out.println(br.readLine());
             }
             br.close(); // 读取完成后关闭读取器
         } catch (IOException e) {
             // 如果出错 抛出异常
             e.printStackTrace();
         }
     }

打印出来的结果是整个html页面的源代码(部分截图如下).