首页 > Web开发 > 详细

正则表达式_网页爬虫

时间:2014-03-17 05:42:14      阅读:554      评论:0      收藏:0      [点我收藏+]

其实就一个程序用于在互联网中获取符合指定规则的数据。 

 

爬取邮箱地址

 爬取本地中的文件:

bubuko.com,布布扣
import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
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;

public class RegexTest {

    public static void main(String[] args) throws IOException {

        
        List<String> list = getMails();
        
        for(String mail : list){
            System.out.println(mail);
        }
    }
    
    

    public static List<String>  getMails() throws IOException{
        
        //1,读取源文件。
        BufferedReader bufr = new BufferedReader(new FileReader("F:\\IO\\mail.html"));
        
        //2,对读取的数据进行规则的匹配。从中获取符合规则的数据.
        String mail_regex = "\\w+@\\w+(\\.\\w+)+";
        
        List<String> list = new ArrayList<String>();
        
        
        Pattern p = Pattern.compile(mail_regex);
        
        String line = null;
        
        while((line=bufr.readLine())!=null){
            
            Matcher m = p.matcher(line);
            while(m.find()){
                //3,将符合规则的数据存储到集合中。
                list.add(m.group());
            }
            
        }
        return list;
        
    }
}
bubuko.com,布布扣

 爬取网络中的:

bubuko.com,布布扣
import java.io.BufferedReader;
import java.io.FileReader;
import java.io.IOException;
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;

public class RegexTest {

    public static void main(String[] args) throws IOException {

        
        List<String> list = getMailsByWeb();
        
        for(String mail : list){
            System.out.println(mail);
        }
    }
    public static List<String> getMailsByWeb() throws IOException {
        
        URL url = new URL("http://192.168.1.100:8080/myweb/mail.html");
        
        BufferedReader bufIn = new BufferedReader(new InputStreamReader(url.openStream()));
                
        //2,对读取的数据进行规则的匹配。从中获取符合规则的数据.
        String mail_regex = "\\w+@\\w+(\\.\\w+)+";
        
        List<String> list = new ArrayList<String>();
        
        
        Pattern p = Pattern.compile(mail_regex);
        
        String line = null;
        
        while((line=bufIn.readLine())!=null){
            
            Matcher m = p.matcher(line);
            while(m.find()){
                //3,将符合规则的数据存储到集合中。
                list.add(m.group());
            }
            
        }
        return list;
    }
}
bubuko.com,布布扣

正则表达式_网页爬虫,布布扣,bubuko.com

正则表达式_网页爬虫

原文:http://www.cnblogs.com/LO-ME/p/3603569.html

(0)
(0)
   
举报
评论 一句话评论(0
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣,分享程序人生!