java爬取网页内容 简单例子（1）——使用正则表达式

【本文介绍】　　

爬取别人网页上的内容，听上似乎很有趣的样子，只要几步，就可以获取到力所不能及的东西，例如呢？例如天气预报，总不能自己拿着仪器去测吧！当然，要获取天气预报还是用webService好。这里只是举个例子。话不多说了，上看看效果吧。

【效果】

我们随便找个天气预报的网站来试试：http://www.weather.com.cn/html/weather/101280101.shtml

从图中可用看出，今天（6日）的天气。我们就以这个为例，获取今天的天气吧！

最终后台打印出：

今天:6日
天气：雷阵雨
温度：26°~34°
风力：微风

【思路】

1、通过url获取输入流————2、获取网页html代码————3、用正则表达式抽取有用的信息————4、拼装成想要的格式

其实最难的一点事第3点，如果正则表示式不熟，基本上在这一步就会挂掉了——例如我T_T。下面为了抽取到正确的数据，我匹配了多次，如果能一次匹配的话，那代码量就少多了！

【代码】

 package com.zjm.www.test;

 import java.io.BufferedReader;
 import java.io.IOException;
 import java.io.InputStream;
 import java.io.InputStreamReader;
 import java.net.HttpURLConnection;
 import java.net.URL;
 import java.util.regex.Matcher;
 import java.util.regex.Pattern;

 /**
  * 描述：趴取网页上的今天的天气
  * @author     zjm
  * @time     2014/8/6
  */
 public class TodayTemperatureService {

      /**
      * 发起http get请求获取网页源代码
      * @param requestUrl     String    请求地址
      * @return                 String    该地址返回的html字符串
      */
     private static String httpRequest(String requestUrl) {  

         StringBuffer buffer = null;
         BufferedReader bufferedReader = null;
         InputStreamReader inputStreamReader = null;
         InputStream inputStream = null;
         HttpURLConnection httpUrlConn = null;

         try {
             // 建立get请求
             URL url = new URL(requestUrl);
             httpUrlConn = (HttpURLConnection) url.openConnection();
             httpUrlConn.setDoInput(true);
             httpUrlConn.setRequestMethod("GET");  

             // 获取输入流
             inputStream = httpUrlConn.getInputStream();
             inputStreamReader = new InputStreamReader(inputStream, "utf-8");
             bufferedReader = new BufferedReader(inputStreamReader);  

             // 从输入流读取结果
             buffer = new StringBuffer();
             String str = null;
             while ((str = bufferedReader.readLine()) != null) {
                 buffer.append(str);
             }  

         } catch (Exception e) {
             e.printStackTrace();
         }  finally {
             // 释放资源
             if(bufferedReader != null) {
                 try {
                     bufferedReader.close();
                 } catch (IOException e) {
                     e.printStackTrace();
                 }
             }
             if(inputStreamReader != null){
                 try {
                     inputStreamReader.close();
                 } catch (IOException e) {
                     e.printStackTrace();
                 }
             }
             if(inputStream != null){
                 try {
                     inputStream.close();
                 } catch (IOException e) {
                     e.printStackTrace();
                 }
             }
             if(httpUrlConn != null){
                 httpUrlConn.disconnect();
             }
         }
         return buffer.toString();
     }  

     /**
      * 过滤掉html字符串中无用的信息
      * @param html    String    html字符串
      * @return         String    有用的数据
      */
     private static String htmlFiter(String html) {  

         StringBuffer buffer = new StringBuffer();
         String str1 = "";
         String str2 = "";
         buffer.append("今天:");

         // 取出有用的范围
         Pattern p = Pattern.compile("(.*)(<li class=\'dn on\' data-dn=\'7d1\'>)(.*?)(</li>)(.*)");
         Matcher m = p.matcher(html);
         if (m.matches()) {
             str1 = m.group(3);
             // 匹配日期，注：日期被包含在<h2> 和 </h2>中
             p = Pattern.compile("(.*)(<h2>)(.*?)(</h2>)(.*)");
             m = p.matcher(str1);
             if(m.matches()){
                 str2 = m.group(3);
                 buffer.append(str2);
                 buffer.append("\n天气：");
             }
             // 匹配天气，注：天气被包含在<p class="wea" title="..."> 和 </p>中
             p = Pattern.compile("(.*)(<p class=\"wea\" title=)(.*?)(>)(.*?)(</p>)(.*)");
             m = p.matcher(str1);
             if(m.matches()){
                 str2 = m.group(5);
                 buffer.append(str2);
                 buffer.append("\n温度：");
             }
             // 匹配温度，注：温度被包含在<p class=\"tem tem2\"> <span> 和 </span><i>中
             p = Pattern.compile("(.*)(<p class=\"tem tem2\"> <span>)(.*?)(</span><i>)(.*)");
             m = p.matcher(str1);
             if(m.matches()){
                 str2 = m.group(3);
                 buffer.append(str2);
                 buffer.append("°~");
             }
             p = Pattern.compile("(.*)(<p class=\"tem tem1\"> <span>)(.*?)(</span><i>)(.*)");
             m = p.matcher(str1);
             if(m.matches()){
                 str2 = m.group(3);
                 buffer.append(str2);
                 buffer.append("°\n风力：");
             }
             // 匹配风，注：<i> 和 </i> 中
             p = Pattern.compile("(.*)(<i>)(.*?)(</i>)(.*)");
             m = p.matcher(str1);
             if(m.matches()){
                 str2 = m.group(3);
                 buffer.append(str2);
             }
         }
         return buffer.toString();
     }

     /**
      *  对以上两个方法进行封装。
      * @return
      */
     public static String getTodayTemperatureInfo() {
         // 调用第一个方法，获取html字符串
         String html = httpRequest("http://www.weather.com.cn/html/weather/101280101.shtml");
         // 调用第二个方法，过滤掉无用的信息
         String result = htmlFiter(html);  

         return result;
     }  

     /**
      * 测试
      * @param args
      */
     public static void main(String[] args) {
         String info = getTodayTemperatureInfo();
         System.out.println(info);
     }
 }

【详解】

34-49行：通过url获取网页的源码，没什么好说的。

96行：在网页上按F12，查看"今天"的html代码，发现如下图，所以我们第一步就是要过滤掉除这一段html代码外的东西。

　　(.*)(<li class=\'dn on\' data-dn=\'7d1\'>)(.*?)(</li>)(.*) 这个正则表达式，很容易看出可以分为下面5组：

　　(.*)　　　　　　　　　　　　　　　　　　　　　　　    ：匹配除换行符外任意东西0-N次

　　(<li class=\'dn on\' data-dn=\'7d1\'>)　　　　：匹配中间那段heml代码一次

　　(.*?)　　　　　　　　　　　　　　　　　　　　　　　  : .*?为匹配的懒惰模式，意思是匹配除换行符外任意东西尽可能少次

　　(</li>)　　　　　　　　　　　　　　　　　　　　　　 ：匹配中间那段html代码一次

　　(.*)　　　　　　　　　　　　　　　　　　　　　　　：匹配除换行符外任意东西0-N次

　　这样，我们就可用m.group(3)拿到匹配中间（.*?）的那一串代码了。即我们需要的“今天”的天气的代码。

101行：中间那一段代码拿出来后如下图所示、还有很多无用的标签。我们要想办法继续除去。方法同上。

106行：手动拼接上我们需要的字符串。

经过以上的处理，就完成了一个简单的爬取啦。

中间正则表达式部分最不满意，各路网友如果有好的建议麻烦留下宝贵的评论，感激不尽~