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~
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
java爬取网页内容 简单例子（2）——附jsoup的select用法详解
【背景】
在上一篇博文 java爬取网页内容 简单例子（1）——使用正则表达式 里面，介绍了如何使用正则表达式去解析网页的内容，虽然该正则表达式比较通用，但繁琐，代码量多，现实中想要想出一条简单的正则表达式 对于没有很好正则表达式基础的人——比如说我T_T——是一件蛮困难的事。这一篇，我们改用jsoup，一个强大的解析html工具，去解析html，你会发现，一切都变得很容易。
【准备工作】
【先看效果】
目标网站：中国天气
目的：获取今天的天气
目标HTML代码：
<li class="dn on" data-dn="7d1"> <h1>今天</h1> <h2>8日</h2> <big class="jpg50 d04"></big> <big class="jpg50 n04"></big> <p class="wea" title="雷阵雨">雷阵雨</p> <p class="tem tem1"> <span>33</span><i>°C</i> </p> <p class="tem tem2"> <span>25</span><i>°C</i> </p> <p class="win"> <em> <span title="无持续风向" class=""></span> <span title="无持续风向" class=""></span> </em> <i>微风</i> </p> <div class="slid"></div> </li>
解析的Java代码：
（1）审查网页元素后发现，我们要的内容在上面的目标HTML代码中，在整个网页中是在 class="dn on" data-dn="7d1" 的<li>中
（2）“今天” 两字在<h1></h1>中
（3）“8日” 两字在<h2></h2>中
（4）“雷阵雨” 三字在 class="wea" 中
（5）“33” 在第一个<span>中
（6）“25” 在第二个<span>中
（7）“微风” 两字在 第三个<i> 中
有了上面的分析，要获取到这些天气内容就易如反掌了。如下java代码：
1 package com.zjm.www.test; 2 3 import java.io.IOException; 4 5 import org.jsoup.Jsoup; 6 import org.jsoup.nodes.Document; 7 import org.jsoup.select.Elements; 8 9 public class TestJsoup { 10 11 public Document getDocument (String url){ 12 try { 13 return Jsoup.connect(url).get(); 14 } catch (IOException e) { 15 e.printStackTrace(); 16 } 17 return null; 18 } 19 20 public static void main(String[] args) { 21 TestJsoup t = new TestJsoup(); 22 Document doc = t.getDocument("http://www.weather.com.cn/html/weather/101280101.shtml"); 23 // 获取目标HTML代码 24 Elements elements1 = doc.select("[class=dn on][data-dn=7d1]"); 25 // 今天 26 Elements elements2 = elements1.select("h1"); 27 String today = elements2.get(0).text(); 28 System.out.println(today); 29 // 几号 30 Elements elements3 = elements1.select("h2"); 31 String number = elements3.get(0).text(); 32 System.out.println(number); 33 // 是否有雨 34 Elements elements4 = elements1.select("[class=wea]"); 35 String rain = elements4.get(0).text(); 36 System.out.println(rain); 37 // 高的温度 38 Elements elements5 = elements1.select("span"); 39 String highTemperature = elements5.get(0).text()+"°C"; 40 System.out.println(highTemperature); 41 // 低的温度 42 String lowTemperature = elements5.get(1).text()+"°C"; 43 System.out.println(lowTemperature); 44 // 风力 45 Elements elements6 = elements1.select("i"); 46 String wind = elements6.get(2).text(); 47 System.out.println(wind); 48 } 49 }
结果打印出：
1 今天 2 8日 3 雷阵雨 4 33°C 5 25°C 6 微风
【详解】
附:
- jsoup的官方中文文档为：http://www.open-open.com/
- API为：http://jsoup.org/apidocs/
java代码第13行：
从文档中我们可用看出，获取数据源的方法有三：
（1）从一段html代码字符串获取： Document doc = Jsoup.parse(html);
（2）从一个url获取： Document doc = Jsoup.connect("http://example.com/").get();
（3）从一个html文件获取 File input = new File("/tmp/input.html");
Document doc = Jsoup.parse(input, "UTF-8", "http://example.com/");
这里，我们采取了第二种方法，从url中获取。
java代码第24、26、30、34、38行：
Document 继承自 Element 类， 而Element类有一个很好的方法，叫select ， 这个选择器几乎无所不能。快速从一堆html代码中获取我们想要的一段，我觉得使用select最方便。下面我们来看怎么使用select方法来查找。
注：以下表格的结果都是使用以下语句打印出来的
for(Element e : elements) { System.out.println(e.text()); }
| select详解 | |||
| 描述 | 测试的HTML代码 | select写法 | 结果 |
| 通过 标签名 来查找 |
<span>33</span> <span>25</span>
|
Elements elements = doc.select("span");
|
33 25
|
| 通过 id 来查找 |
<span id=\"mySpan\">36</span> <span>20</span>
|
Elements elements = doc.select("#mySpan");
注：通过id来查找，使用方法跟css指定元素一样，用# |
36
|
| 通过 class名 来查找 |
<span class=\"myClass\">36</span> <span>20</span>
|
Elements elements = doc.select(".myClass");
注：通过id来查找，使用方法跟css指定元素一样，用 . |
36
|
| 利用标签内 属性名 查找元素 |
<span class=\"class1\" id=\"id1\">36</span> <span class=\"class2\" id=\"id2\">36</span>
|
Elements elements = doc.select("span[class=class1]span[id=id1]");
注：规则为 标签名【属性名=属性值】，标签名可写可不写，多个属性即多个【】，如上。 |
36
|
| 利用标签内 属性名前缀 查找元素 |
<span class=\"class1\" >36</span> <span class=\"class2\" >22</span>
|
Elements elements = doc.select("span[^cl]");
注：规则为 标签名【^属性名前缀】，标签名可写可不写，多个属性即多个【】。 |
36 22
|
| 利用标签内 属性名+正则表达式 查找元素 |
<span class=\"ABC\" >36</span> <span class=\"ADE\" >22</span>
|
Elements elements = doc.select("span[class~=^AB]");
注：规则为 标签名【属性名~=正则表达式】，以上的正则表达式的意思是查找以class值以AB为开头的标签，标签名可写可不写，多个属性即多个【】 |
36
|
| 利用标签 文本包含某些内容 来查找 |
<span>36</span> <span>22</span>
|
Elements elements = doc.select("span:contains(3)");
注：规则为 标签名:contains(文本值) |
36
|
| 利用标签 文本包含某些内容+正则表达式 来查找 |
<span>36</span> <span>22</span>
|
Elements elements = doc.select("span:matchesOwn(^3)");
注：规则为 标签名:matchesOwn(正则表达式)，以上的正则表式的意思是以文本值以3为开头的标签 |
36
|
关于select，还有一些其他的查找方法，以上只列出个人觉得比较好用、常用的语法。
select方法返回的是一个Elements 对象，里面包含着找到的所有节点。遍历Elements ，通过get（index），就可以拿出具体的 节点了。通过节点的text()方法，就可用拿出文本值。
而想得到节点的其他属性，可以看API的介绍。