【网络爬虫】【java】微博爬虫（三）：庖丁解牛——HTML结构分析与正则切分

来源：互联网发布：彩妆怎么去个淘宝名字编辑：程序博客网时间：2024/06/14 00:15

在上一篇文章中已经通过请求的url地址把html页面爬取下来了，这里分别以网易微博的html和新浪微博的html为例来分析如何提取微博数据。

一、网易微博解析

相比新浪微博的html结构，网易微博的比较容易明显地看出来，也容易找到微博数据。查看其html结构不是网页里右键→“查看网页源代码”，那里的微博正文是以html标签形式显示的，而程序实际请求返回得到的html的微博正文是以json格式，这个在控制台里输出看的很清楚。

<script id=”data_searchTweet” type=”application/json”>…{   "searchTag":"",   "list": [      {         "id": "-6794651520897765848",   "content": "#数码精选#【苹果称iPad屏幕进灰因中国空气差，你怎么看？】 近日，国内出现了一个由300名苹果用户组成的维权小组，控告苹果iPad、iMac等产品屏幕太容易进灰。如果你认为iPad屏幕易进灰是最让人郁闷的事，那就真是小巫见大巫了，苹果公司的回应简直让人泪奔，“中国空气质量太差，环境因素导致屏幕进灰”。http://163.fm/OOexvkh",   "albumContent": "#数码精选#【苹果称iPad屏幕进灰因中国空气差，你怎么看？】 近日，国内出现了一个由300名苹果用户组成的维权小组，……

其实解析就是关键把要解析对应位置找到，总之对网易微博的解析是个json串解析，这里可以正则匹配回json，甚至可以直接用正则匹配相应字段，可以匹配userid、content、prettyTime等，最后写入到txt文件里。便于项目后期的处理，这里直接爬取微博正文content，其它像userid、prettyTime等直接在程序里用Vector<String>处理，这个在系列的第一篇文章里写的了，代码也给出了，此处不再赘述。

最后解析出来正文的txt形式的微博数据：（已用字符串替换的方式去除”content”字段名称，直接保留正文）

二、新浪微博解析

相比之下新浪的html就要复杂得多，这个在第一篇文章里谈到过，其微博不是以json格式展现而是以javascript形式，每条微博包含在<em>…</em>元素里。依据关键字标红快速定位：color:red。

首先把em元素及其中间的文本都匹配出来，匹配的正则表达式：<em>.+?color:red.+?</em>，然后再去掉所有<…>的标签得到utf8，最后用.parseInt(utf8CodeStr, 16)把所有utf8的十六进制换成char。

private Vector<String> getTweet(String htmlPath) throws IOException {File f = new File(htmlPath);FileReader fr = new FileReader(f);BufferedReader br = new BufferedReader(fr);Vector<String> tweets = new Vector<String>();String html = "";Pattern p = Pattern.compile("<em>.+?color:red.+?</em>");String tweetTemp = "";while(br.readLine() != null) {html += br.readLine();}br.close();Matcher m = p.matcher(html);while(m.find()) {tweetTemp = m.group();tweets.add(tweetTemp);}Vector<String> realTweets = new Vector<String>();for(int i=0; i<tweets.size(); i++) {//filt the <...> labelsPattern pdel = Pattern.compile("<.+?>");Matcher mdel = pdel.matcher(tweetTemp);Vector<String> del = new Vector<String>();while(mdel.find()) {if(!del.contains(mdel.group())) {del.add(mdel.group());}}for(int j=0; j<del.size(); j++) {tweetTemp = tweetTemp.replace(del.get(j), "");}StringBuilder sb = new StringBuilder();Pattern utf8p = Pattern.compile("\\\\u[0-9a-f]{4}"); //utf8 codeMatcher utf8m = utf8p.matcher(tweetTemp);String utf8codeStr;while(utf8m.find()) {utf8codeStr = utf8m.group().substring(2);sb.append((char)Integer.parseInt(utf8codeStr, 16));//parse to chinese}if(!realTweets.contains(sb.toString())) {//only save different tweetsrealTweets.add(sb.toString());}}return realTweets;}

原创文章，转载请注明出处：http://blog.csdn.net/dianacody/article/details/39716611

0 0