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。
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
或者历史上今天逝世
这里就对抓取历史上今天大事记做一个介绍。
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。
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?
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。
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。
最后祝大家元旦快乐
原文地址:http://blog.csdn.net/u013239111/article/details/42290339