[java] 汇率换算器实现(3)

1 系列文章地址
2 前言
3 提取简单表单信息
- 3.1 Java正则表达式实现简单表单提取
- 3.2 重新整理HtmlTable类
4 总结

1 系列文章地址

2 前言

在上一篇文章中, 我们充分了解了正则表达式的使用细则. 那么此处就结合java.util.regex库的使用, 实现HtmlTableParse类, 用于提取网页中table的内容.

3 提取简单表单信息

html表格的示例如下:

<table border="1">

<tr>

  <th>Month</th>

  <th>Savings</th>

</tr>

<tr>

  <td>January</td>

  <td>$100</td>

</tr>

</table>

将代码合并为一行后得:

<table border="1"><tr><th>Month</th><th>Savings</th></tr><tr><td>January</td><td>$100</td></tr></table>

针对上面一行书写相关的正则表达式, 获取表单中的内容:

<table.*?>((<tr>.*?</tr>)+?)</table>

这样 $1 就对应着 <tr><th>Month</th><th>Savings</th></tr><tr><td>January</td><td>$100</td></tr> , 接着对匹配后的结果再次进行处理, 使用得正则表达式为:

<tr>(.*?)</tr>

如此, 匹配得到每一行的内容, 如: $1 = <th>Month</th><th>Savings</th>, 接着再使用正则表达式:

<th>(.*?)</th>

就能够得到不同元素, 如:Month, Savings

3.1 Java正则表达式实现简单表单提取

import java.util.regex.*;

public class HtmlTable {

    public static void main(String[] args) {

        // 目标

        String target = "<table border=\"1\"><tr><th>Month</th><th>Savings</th></tr><tr><td>January</td><td>$100</td></tr></table>";

        // 正则表达式

        String regexTable = "<table.*?>((<tr>.*?</tr>)+?)</table>";

        String regexRow = "<tr>(.*?)</tr>";

        String regexEle = "(?:<th>|<td>)(.*?)(?:</th>|</td>)";

        Pattern r = Pattern.compile(regexTable);

        // 表单的匹配

        Matcher mTable = r.matcher(target);

        while (mTable.find()) {

            String strRow = mTable.group(1);

            System.out.println("Row: "+strRow);

            // 表单中每一行得匹配

            Matcher mRow = Pattern.compile(regexRow).matcher(strRow);

            while (mRow.find()) {

                String strEle = mRow.group(1);

                System.out.println("\tTh or td: " + strEle);

                // 每一行中每个元素得匹配

                Matcher mEle = Pattern.compile(regexEle).matcher(strEle);

                while (mEle.find()) {

                    String result = mEle.group(1);

                    System.out.println("\t\tElement: " + result);

                }

            }

        }

    }

}

但当上述的程序直接运用到 www.usd-cny.com 上时, 发现最终输出的结果为空. 也就是说一点都没有得到匹配. 这是因为上述的匹配规则过于特殊导致的, 下面给出更为普遍的匹配规则, 能够匹配如下面的格式:

格式:

<TR bgcolor=""></TR>

<TD WIDTH=""></TD>

<TD>  <DIV ALIGN="center"><b><font color"">element</font></b></td>

匹配规则:

   final static String REGEX_TABLE = "<table.*?>\\s*?((<tr.*?>.*?</tr>)+?)\\s*?</table>";

   final static String REGEX_ROW = "<tr.*?>\\s*?(.*?)\\s*?</tr>";

   final static String REGEX_ELE = "(?:<th.*?>|<td.*?>)(?:\\s*<.*?>)*(?:&nbsp;)?(.*?)(?:&nbsp;)?(?:\\s*<.*?>)*?\\s*(?:</th>|</td>)";

3.2 重新整理HtmlTable类

package com.cnblogs.grassandmoon;

import java.util.regex.*;

import java.io.*;

public class HtmlTable {

    final static String ELEMENT_SEPARATOR = "\001";

    final static String ROW_SEPARATOR = "\002";

    final static String REGEX_TABLE = "<table.*?>\\s*?((<tr.*?>.*?</tr>)+?)\\s*?</table>";

    final static String REGEX_ROW = "<tr.*?>\\s*?(.*?)\\s*?</tr>";

    final static String REGEX_ELE = "(?:<th.*?>|<td.*?>)(?:\\s*<.*?>)*(?:&nbsp;)?(.*?)(?:&nbsp;)?(?:\\s*<.*?>)*?\\s*(?:</th>|</td>)";

    public static String extract(int nStartLine, int nEndLine, BufferedReader br)

    throws IOException {

        String line;

        String target = "";

        String elements = "";

        int i = 0;

        // iStartLine[0] = 78;

        // iEndLine[0] = 303;

        while ((line = br.readLine()) != null) {

            ++i;

            if (i < nStartLine) continue;

            line.trim();

            target = target + line;

            if (i >= nEndLine) break;

        }

        // 正则表达式

        Pattern r = Pattern.compile(REGEX_TABLE, Pattern.CASE_INSENSITIVE);

        // 表单的匹配

        Matcher mTable = r.matcher(target);

        if (mTable.find()) {

            String strRows = mTable.group(1).trim();

            // 表单中每一行得匹配

            Matcher mRow = Pattern.compile(REGEX_ROW, Pattern.CASE_INSENSITIVE).matcher(strRows);

            while (mRow.find()) {

                boolean firstEle = true;

                String strEle = mRow.group(1).trim();

                // System.out.println("\nTh or td: " + strEle);

                // 每一行中每个元素得匹配

                Matcher mEle = Pattern.compile(REGEX_ELE, Pattern.CASE_INSENSITIVE).matcher(strEle);

                if (!elements.equals(""))

                    elements = elements + ROW_SEPARATOR;

                while (mEle.find()) {

                    String result = mEle.group(1).trim();

                    if (firstEle)

                        elements = elements + result;

                    else

                        elements = elements + ELEMENT_SEPARATOR + result;

                    firstEle = false;

                    // System.out.println("\nElement: " + result);

                }

                if (!elements.equals("")) {

                    int len = elements.length();

                    elements = elements.substring(0, len-2);

                }

            }

        }

        return new String(elements);

    }

}

4 总结

然后再次对实现代码进行了整理, 完整的代码见:RateExchange @ git

再后续的文中, 将介绍如何使用jsoup从网页中提取相应的信息.

Date: 2014-05-12 Mon

Author: Zhong Xiewei

Org version 7.8.11 with Emacs version 24

Validate XHTML 1.0