網(wǎng)頁爬蟲：就是一個程序用于在互聯(lián)網(wǎng)中獲取指定規(guī)則的數(shù)據(jù)。
思路：
1.為模擬網(wǎng)頁爬蟲，我們可以現(xiàn)在我們的tomcat服務(wù)器端部署一個1.html網(wǎng)頁。（部署的步驟：在tomcat目錄的webapps目錄的ROOTS目錄下新建一個1.html。使用notepad++進行編輯，編輯內(nèi)容為：
）
2.使用URL與網(wǎng)頁建立聯(lián)系
3.獲取輸入流，用于讀取網(wǎng)頁中的內(nèi)容
4.建立正則規(guī)則，因為這里我們是爬去網(wǎng)頁中的郵箱信息，所以建立匹配 郵箱的正則表達式：String regex="\w+@\w+(\.\w+)+";
5.將提取到的數(shù)據(jù)放到集合中。
代碼：
import java.io.BufferedReader;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.URL;
import java.util.ArrayList;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
/*
* 網(wǎng)頁爬蟲:就是一個程序用于在互聯(lián)網(wǎng)中獲取指定規(guī)則的數(shù)據(jù)
*
*
*/
public class RegexDemo {
public static void main(String[] args) throws Exception {
ListString> list=getMailByWeb();
for(String str:list){
System.out.println(str);
}
}
private static ListString> getMailByWeb() throws Exception {
//1.與網(wǎng)頁建立聯(lián)系。使用URL
String path="http://localhost:8080//1.html";//后面寫雙斜杠是用于轉(zhuǎn)義
URL url=new URL(path);
//2.獲取輸入流
InputStream is=url.openStream();
//加緩沖
BufferedReader br=new BufferedReader(new InputStreamReader(is));
//3.提取符合郵箱的數(shù)據(jù)
String regex="\\w+@\\w+(\\.\\w+)+";
//進行匹配
//將正則規(guī)則封裝成對象
Pattern p=Pattern.compile(regex);
//將提取到的數(shù)據(jù)放到一個集合中
ListString> list=new ArrayListString>();
String line=null;
while((line=br.readLine())!=null){
//匹配器
Matcher m=p.matcher(line);
while(m.find()){
//3.將符合規(guī)則的數(shù)據(jù)存儲到集合中
list.add(m.group());
}
}
return list;
}
}
注意:在執(zhí)行前需要先開啟tomcat服務(wù)器
運行結(jié)果：
總結(jié)
以上所述是小編給大家介紹的使用正則表達式實現(xiàn)網(wǎng)頁爬蟲的思路詳解，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復(fù)大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！
您可能感興趣的文章:- Python爬蟲之正則表達式的使用教程詳解
- Python爬蟲之正則表達式基本用法實例分析
- python爬蟲正則表達式之處理換行符
- python爬蟲 正則表達式使用技巧及爬取個人博客的實例講解
- python爬蟲入門教程--正則表達式完全指南（五）
- Python 爬蟲學習筆記之正則表達式
- 玩轉(zhuǎn)python爬蟲之正則表達式
- Python的爬蟲包Beautiful Soup中用正則表達式來搜索
- Python爬蟲正則表達式常用符號和方法
- python3爬蟲之入門基礎(chǔ)和正則表達式
- 零基礎(chǔ)寫python爬蟲之神器正則表達式
- java正則表達式簡單使用和網(wǎng)頁爬蟲的制作代碼
