使用正則表達式實現網頁爬蟲的思路詳解

2020-01-20 21:59:00

字體：大中小

來源：轉載

供稿：網友

網頁爬蟲：就是一個程序用于在互聯網中獲取指定規則的數據。

思路：

1.為模擬網頁爬蟲，我們可以現在我們的tomcat服務器端部署一個1.html網頁。（部署的步驟：在tomcat目錄的webapps目錄的ROOTS目錄下新建一個1.html。使用notepad++進行編輯，編輯內容為：

在這里插入圖片描述）

2.使用URL與網頁建立聯系
3.獲取輸入流，用于讀取網頁中的內容
4.建立正則規則，因為這里我們是爬去網頁中的郵箱信息，所以建立匹配郵箱的正則表達式：String regex="/w+@/w+(/./w+)+";
5.將提取到的數據放到集合中。

代碼：

import java.io.BufferedReader;import java.io.InputStream;import java.io.InputStreamReader;import java.net.URL;import java.util.ArrayList;import java.util.List;import java.util.regex.Matcher;import java.util.regex.Pattern;/* * 網頁爬蟲:就是一個程序用于在互聯網中獲取指定規則的數據 *  *  */public class RegexDemo { public static void main(String[] args) throws Exception {  List<String> list=getMailByWeb(); for(String str:list){ System.out.println(str); }  } private static List<String> getMailByWeb() throws Exception {  //1.與網頁建立聯系。使用URL String path="http://localhost:8080//1.html";//后面寫雙斜杠是用于轉義 URL url=new URL(path); //2.獲取輸入流 InputStream is=url.openStream(); //加緩沖 BufferedReader br=new BufferedReader(new InputStreamReader(is)); //3.提取符合郵箱的數據 String regex="http://w+@//w+(//.//w+)+"; //進行匹配 //將正則規則封裝成對象 Pattern p=Pattern.compile(regex); //將提取到的數據放到一個集合中 List<String> list=new ArrayList<String>();  String line=null; while((line=br.readLine())!=null){ //匹配器 Matcher m=p.matcher(line); while(m.find()){ //3.將符合規則的數據存儲到集合中 list.add(m.group()); } }  return list; }}

注意:在執行前需要先開啟tomcat服務器

運行結果：

在這里插入圖片描述