Java正则表达式—小应用—简易爬虫

     在上一篇中，学习了正则表达式的四个功能。即匹配、分割、替换、获取。

利用获取功能，可以实现简单的网页爬虫。

4，获取:将字符串中的符合规则的子串取出。

获取功能的操作步骤：

1，将正则表达式封装成对象。

2，让正则对象和要操作的字符串相关联。

3，关联后，获取正则匹配引擎。

4，通过引擎对符合规则的子串进行操作，比如取出。

举例如下：

package com.packageTemp;

/*
网页爬虫(蜘蛛)
*/
import java.io.*;
import java.util.regex.*;
import java.net.*;
public class RegexTest2
{
	public static void main(String[] args) throws Exception
	{
		getMails_1();

	}

	public static void getMails_1()throws Exception
	{
		URL url = new URL("http://sports.sina.com.cn/nba/");

		URLConnection conn = url.openConnection();

		BufferedReader bufIn = new BufferedReader(new InputStreamReader(conn.getInputStream()));

		String line = null;

//		String mailreg = "\\w+[html]\\w+(\\.\\w+)+";
		String mailreg = "[a-zA-Z][1-9]\\d{3,10}";
//		String mailreg = "1[3-9]\\D\\d\\w{2,12}";
		Pattern p = Pattern.compile(mailreg);

		while((line=bufIn.readLine())!=null)
		{
			Matcher m = p.matcher(line);
			while(m.find())
			{
				System.out.println(m.group());
			}
		}
	}

}

可以自定义正则表达式，即所谓的规则，确定自己想要取出的内容。实现了简单的网页爬虫。