爬虫中的groovy脚本

1.使用select()方法在页面上选择我们需要的信息

def document = page.getHtml().getDocument();//这里的page是webmagic中的一个Page对象

在

<div id="aa">

<span class="bb">

爬虫中的groovy脚本

</span>

</div>

如果想要获取这个标签的正文内容，有以下方法：

1. document.select("div#aa").text()
2. document.select("div#aa>span")  .text()
3. document.select("span.bb").text() 

如果想要获取这个完整的标签（包括标签和文本）：

1. document.select("div#aa").toString()

2.使用正则表达式来匹配文本并截取所需要的信息

1. 在groovy主要使用"=~/regex/"来匹配，比如说msg=“开始-需求信息-结尾”，想要截取“需求信息”，则使用：def aa = (msg=~/开始(.+)?结尾/)[0][1]   //这里可以将匹配后的结果视为一个二维数据
2. 匹配日期时间类型：比如msg = "2015-7-9 13:30"    使用(msg=~/\d{4}-\d{1,2}-d{1,2} \d{1,2}:d{1,2} /)[0]就可以匹配到"2015-7-9 13:30",当然如果要把它转换成dateTime类型的话，还要用到SimpleDateFormat类的parse()和format()方法来转换

3.使用xpath来获取所需要的信息

有时候，我们发现一些标签只有style属性，没有id,class属性，这就不能使用select()函数了，因为select()中的参数都是css样式选择器,这个时候，我们发现xpath就很好用了

比如说

<table sytle="width:100px">

<tbody>

<tr><td>

使用xpath来获取所需要的信息

</td></tr>

</tbody>

</table>
我们可以使用page.getHtml().xpath("//talbe[@sytle=width:100px]").all()来获取这个table标签

*因为刚开始用xpath，不是很熟练，没有什么好的建议（可以看看W3CSchool的帮助文档有介绍）

4.使用其他的一些方法来去掉多余的信息

• replacAll(String regex,String str)