码迷,mamicode.com
首页 > Web开发 > 详细

网页抓取与处理的一些方法

时间:2015-01-01 11:16:55      阅读:234      评论:0      收藏:0      [点我收藏+]

标签:正则表达式   大事记   网页抓取   分割html   

昨天还是2014,今天就变成了2015。时间总是那么快,这篇文章就作为2015年的一个开始吧。

这篇文章主要介绍一些网页抓取及抓取下来的内容处理。

所需要的jar包点击打开链接,我放在百度云盘里。有需要的可以下载,其他的请自行下载。

百度百科对网页抓取的定义当然本文并没有介绍的那么多,只是介绍对单个页面的抓取,和模拟提交表单抓取页面,如需深究,请自行baidu or google。

技术分享

上面的方法直接返回String字符串,只需传入一个链接即可。相信大家都看的懂。

那么获取到的String字符串,我们该怎么处理呢?

我先拿一个网站测试下。就比如这个点击打开链接,这个网站显示了今天在历史上发生了什么大事件。而我们要抓取的内容只有一部分,比如历史上今天大事记

技术分享

技术分享

或者历史上今天逝世

技术分享

这里就对抓取历史上今天大事记做一个介绍。

技术分享

这里用到了一个extract的方法,也就是对www.rijiben.com获取的的String字符串进行分割,获取到我们需要的信息。

技术分享

这里的html也就是上面传进去的html。compile里面是正则表达式,它把整个页面分成了5段,那么我们应该如何获取到里面的那一段呢?

技术分享

group里面的数字就是获取分割后的哪一段。

具体的可以查看这里

下面介绍如何模拟提交表单后抓取页面,其实原理与上面大同小异。

技术分享

相信我上面的图片已经很明显的把功能都说明了,后续对表单提交后显示的页面做其他处理就要看你怎么做了技术分享

最后祝大家元旦快乐技术分享


网页抓取与处理的一些方法

标签:正则表达式   大事记   网页抓取   分割html   

原文地址:http://blog.csdn.net/u013239111/article/details/42290339

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!