使用正則表達式實現(xiàn)網(wǎng)頁爬蟲的思路詳解

更新時間：2018年12月06日 12:35:43 作者：wyhluckydog

網(wǎng)頁爬蟲：就是一個程序用于在互聯(lián)網(wǎng)中獲取指定規(guī)則的數(shù)據(jù)。這篇文章主要介紹了使用正則表達式實現(xiàn)網(wǎng)頁爬蟲的思路詳解,需要的朋友可以參考下

網(wǎng)頁爬蟲：就是一個程序用于在互聯(lián)網(wǎng)中獲取指定規(guī)則的數(shù)據(jù)。

思路：

1.為模擬網(wǎng)頁爬蟲，我們可以現(xiàn)在我們的tomcat服務器端部署一個1.html網(wǎng)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(nèi)容為：

在這里插入圖片描述）

2.使用URL與網(wǎng)頁建立聯(lián)系
3.獲取輸入流，用于讀取網(wǎng)頁中的內(nèi)容
4.建立正則規(guī)則，因為這里我們是爬去網(wǎng)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(shù)據(jù)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(wǎng)頁爬蟲:就是一個程序用于在互聯(lián)網(wǎng)中獲取指定規(guī)則的數(shù)據(jù)
 * 
 * 
 */
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(wǎng)頁建立聯(lián)系。使用URL
 String path="http://localhost:8080//1.html";//后面寫雙斜杠是用于轉(zhuǎn)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(shù)據(jù)
 String regex="\\w+@\\w+(\\.\\w+)+";
 //進行匹配
 //將正則規(guī)則封裝成對象
 Pattern p=Pattern.compile(regex);
 //將提取到的數(shù)據(jù)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(guī)則的數(shù)據(jù)存儲到集合中
 list.add(m.group());
 }
 }
 
 return list;
 }
}

注意:在執(zhí)行前需要先開啟tomcat服務器

運行結(jié)果：

在這里插入圖片描述