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】
1 package com.zjm.www.test; 2 3 import java.io.BufferedReader; 4 import java.io.IOException; 5 import java.io.InputStream; 6 import java.io.InputStreamReader; 7 import java.net.HttpURLConnection; 8 import java.net.URL; 9 import java.util.regex.Matcher; 10 import java.util.regex.Pattern; 11 12 /** 13 * 描述：趴取网页上的今天的天气 14 * @author zjm 15 * @time 2014/8/6 16 */ 17 public class TodayTemperatureService { 18 19 /** 20 * 发起http get请求获取网页源代码 21 * @param requestUrl String 请求地址 22 * @return String 该地址返回的html字符串 23 */ 24 private static String httpRequest(String requestUrl) { 25 26 StringBuffer buffer = null; 27 BufferedReader bufferedReader = null; 28 InputStreamReader inputStreamReader = null; 29 InputStream inputStream = null; 30 HttpURLConnection httpUrlConn = null; 31 32 try { 33 // 建立get请求 34 URL url = new URL(requestUrl); 35 httpUrlConn = (HttpURLConnection) url.openConnection(); 36 httpUrlConn.setDoInput(true); 37 httpUrlConn.setRequestMethod("GET"); 38 39 // 获取输入流 40 inputStream = httpUrlConn.getInputStream(); 41 inputStreamReader = new InputStreamReader(inputStream, "utf-8"); 42 bufferedReader = new BufferedReader(inputStreamReader); 43 44 // 从输入流读取结果 45 buffer = new StringBuffer(); 46 String str = null; 47 while ((str = bufferedReader.readLine()) != null) { 48 buffer.append(str); 49 } 50 51 } catch (Exception e) { 52 e.printStackTrace(); 53 } finally { 54 // 释放资源 55 if(bufferedReader != null) { 56 try { 57 bufferedReader.close(); 58 } catch (IOException e) { 59 e.printStackTrace(); 60 } 61 } 62 if(inputStreamReader != null){ 63 try { 64 inputStreamReader.close(); 65 } catch (IOException e) { 66 e.printStackTrace(); 67 } 68 } 69 if(inputStream != null){ 70 try { 71 inputStream.close(); 72 } catch (IOException e) { 73 e.printStackTrace(); 74 } 75 } 76 if(httpUrlConn != null){ 77 httpUrlConn.disconnect(); 78 } 79 } 80 return buffer.toString(); 81 } 82 83 /** 84 * 过滤掉html字符串中无用的信息 85 * @param html String html字符串 86 * @return String 有用的数据 87 */ 88 private static String htmlFiter(String html) { 89 90 StringBuffer buffer = new StringBuffer(); 91 String str1 = ""; 92 String str2 = ""; 93 buffer.append("今天:"); 94 95 // 取出有用的范围 96 Pattern p = Pattern.compile("(.*)(<li class=\'dn on\' data-dn=\'7d1\'>)(.*?)(</li>)(.*)"); 97 Matcher m = p.matcher(html); 98 if (m.matches()) { 99 str1 = m.group(3); 100 // 匹配日期，注：日期被包含在<h2> 和 </h2>中 101 p = Pattern.compile("(.*)(<h2>)(.*?)(</h2>)(.*)"); 102 m = p.matcher(str1); 103 if(m.matches()){ 104 str2 = m.group(3); 105 buffer.append(str2); 106 buffer.append("\n天气："); 107 } 108 // 匹配天气，注：天气被包含在<p class="wea" title="..."> 和 </p>中 109 p = Pattern.compile("(.*)(<p class=\"wea\" title=)(.*?)(>)(.*?)(</p>)(.*)"); 110 m = p.matcher(str1); 111 if(m.matches()){ 112 str2 = m.group(5); 113 buffer.append(str2); 114 buffer.append("\n温度："); 115 } 116 // 匹配温度，注：温度被包含在<p class=\"tem tem2\"> <span> 和 </span><i>中 117 p = Pattern.compile("(.*)(<p class=\"tem tem2\"> <span>)(.*?)(</span><i>)(.*)"); 118 m = p.matcher(str1); 119 if(m.matches()){ 120 str2 = m.group(3); 121 buffer.append(str2); 122 buffer.append("°~"); 123 } 124 p = Pattern.compile("(.*)(<p class=\"tem tem1\"> <span>)(.*?)(</span><i>)(.*)"); 125 m = p.matcher(str1); 126 if(m.matches()){ 127 str2 = m.group(3); 128 buffer.append(str2); 129 buffer.append("°\n风力："); 130 } 131 // 匹配风，注：<i> 和 </i> 中 132 p = Pattern.compile("(.*)(<i>)(.*?)(</i>)(.*)"); 133 m = p.matcher(str1); 134 if(m.matches()){ 135 str2 = m.group(3); 136 buffer.append(str2); 137 } 138 } 139 return buffer.toString(); 140 } 141 142 /** 143 * 对以上两个方法进行封装。 144 * @return 145 */ 146 public static String getTodayTemperatureInfo() { 147 // 调用第一个方法，获取html字符串 148 String html = httpRequest("http://www.weather.com.cn/html/weather/101280101.shtml"); 149 // 调用第二个方法，过滤掉无用的信息 150 String result = htmlFiter(html); 151 152 return result; 153 } 154 155 /** 156 * 测试 157 * @param args 158 */ 159 public static void main(String[] args) { 160 String info = getTodayTemperatureInfo(); 161 System.out.println(info); 162 } 163 }
【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~
