java正则表达式抽取html数据

来源：互联网发布：nesstool是什么软件编辑：程序博客网时间：2024/06/05 04:13

由于项目需求，需要抓取一些网站数据，于是这两天研究了下java正则表达式和java模拟http请求。
一直以来，看到正则表达式就头疼，认为很难看懂，需要就从网上搜，但是这次需要抽取的是html数据，样式多样，靠不住百度，只能靠自己了。

介绍下正则表达式学习历程：
首先是在百度上搜了些简单的入门文章，比如[a-zA-Z]、.*等的意思，然后主要是通过java API文档介绍进行学习，其实里面都比较详细，主要是两个类Pattern和Matcher，
在包java.util.regex下，使用其实很简单，主要步骤：
Pattern p = Pattern.compile("a*b");
Matcher m = p.matcher("aaaaab");
boolean b = m.matches();

在学习过程中主要对组有点难懂，查了好久，终于有个文章让我恍然大悟，
我的理解是，组的主要作用是方便提取数据，例如一个正则表达式"<a>(.*?)</a>",
里面包含两个组，第一个就是整个表达式，第二个则是<a></a>里的内容，就是(.*?)的内容，这样如果m.group(0)提取的内容就是符合整个表达式的内容，包括<a></a>,
m.group(1)则是里面的内容。java正则表达式中(a)表示组

下面是我写的一个抓取百度上查看某只股票信息的程序。

Java代码

import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.net.URL;
import java.net.URLConnection;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class PersonalData
{
public static void main(String[] args) throws Exception{
URL url= new URL("http://www.baidu.com/s?wd=000897");
URLConnection urlConnection= url.openConnection();
BufferedReader br=new BufferedReader(new InputStreamReader(urlConnection.getInputStream()));
String str="";
StringBuffer content=new StringBuffer();
while((str=br.readLine())!=null){
content.append(str);
}
br.close();
String regx1="<b style=\"font-size: 1.4em; text-align:center;color:#.*;\">(.*?)</b>(.*?)<b style=\"font-size: 1.1em; color:#.*;\">(.*?)</b>(.*?)开盘:</td> <td style=\"(.*?)\">(.*?)</td>(.*?)<td style=\" color:#.*;width:91px;\">(.*?)</td>(.*?)<td style=\" color:(.*?);width:91px;\">(.*?)</td>";
Pattern p= Pattern.compile(regx1);
String text=content.toString();
Matcher macher =p.matcher(text);
while(macher.find()){
System.out.println("现价："+macher.group(1).trim());
System.out.println("幅度："+macher.group(3).trim());
System.out.println("开盘价："+macher.group(6).trim());
System.out.println("最高："+macher.group(8).trim());
System.out.println("最低："+macher.group(11).trim());
}
}
}

代码简单，没进行封装。（注：百度上搜索看到的股票信息不是即时的，有一定时间的延迟）

0 0