0
0

从零开始学习 Java：简单易懂的入门指南之爬虫（十六）

爬虫

1.1 本地数据爬取

Pattern：表示正则表达式
Matcher：文本匹配器，作用按照正则表达式的规则去读取字符串，从头开始读取。
在大串中去找符合匹配规则的子串。

代码示例：

packagecom.itheima.a08regexdemo;importjava.util.regex.Matcher;importjava.util.regex.Pattern;publicclassRegexDemo6{publicstaticvoidmain(String[] args){/* 有如下文本，请按照要求爬取数据。
                Java自从95年问世以来，经历了很多版本，目前企业中用的最多的是Java8和Java11，
                因为这两个是长期支持版本，下一个长期支持版本是Java17，相信在未来不久Java17也会逐渐登上历史舞台
                要求:找出里面所有的JavaXX
         */String str ="Java自从95年问世以来，经历了很多版本，目前企业中用的最多的是Java8和Java11，"+"因为这两个是长期支持版本，下一个长期支持版本是Java17，相信在未来不久Java17也会逐渐登上历史舞台";//1.获取正则表达式的对象Pattern p =Pattern.compile("Java\\d{0,2}");//2.获取文本匹配器的对象//拿着m去读取str，找符合p规则的子串Matcher m = p.matcher(str);//3.利用循环获取while(m.find()){String s = m.group();System.out.println(s);}}privatestaticvoidmethod1(String str){//Pattern:表示正则表达式//Matcher: 文本匹配器，作用按照正则表达式的规则去读取字符串，从头开始读取。//          在大串中去找符合匹配规则的子串。//获取正则表达式的对象Pattern p =Pattern.compile("Java\\d{0,2}");//获取文本匹配器的对象//m:文本匹配器的对象//str:大串//p:规则//m要在str中找符合p规则的小串Matcher m = p.matcher(str);//拿着文本匹配器从头开始读取，寻找是否有满足规则的子串//如果没有，方法返回false//如果有，返回true。在底层记录子串的起始索引和结束索引+1// 0,4boolean b = m.find();//方法底层会根据find方法记录的索引进行字符串的截取// substring(起始索引，结束索引);包头不包尾// (0,4)但是不包含4索引// 会把截取的小串进行返回。String s1 = m.group();System.out.println(s1);//第二次在调用find的时候，会继续读取后面的内容//读取到第二个满足要求的子串，方法会继续返回true//并把第二个子串的起始索引和结束索引+1，进行记录
        b = m.find();//第二次调用group方法的时候，会根据find方法记录的索引再次截取子串String s2 = m.group();System.out.println(s2);}}

1.2 网络数据爬取

需求：

​ 把连接:https://m.sengzan.com/jiaoyu/29104.html?ivk sa=1025883i中所有的身份证号码都爬取出来。

代码示例：

publicclassRegexDemo7{publicstaticvoidmain(String[] args)throwsIOException{/* 扩展需求2:
            把连接:https://m.sengzan.com/jiaoyu/29104.html?ivk sa=1025883i
            中所有的身份证号码都爬取出来。
        *///创建一个URL对象URL url =newURL("https://m.sengzan.com/jiaoyu/29104.html?ivk sa=1025883i");//连接上这个网址//细节:保证网络是畅通URLConnection conn = url.openConnection();//创建一个对象去读取网络中的数据BufferedReader br =newBufferedReader(newInputStreamReader(conn.getInputStream()));String line;//获取正则表达式的对象patternString regex ="[1-9]\\d{17}";Pattern pattern =Pattern.compile(regex);//在读取的时候每次读一整行while((line = br.readLine())!=null){//拿着文本匹配器的对象matcher按照pattern的规则去读取当前的这一行信息Matcher matcher = pattern.matcher(line);while(matcher.find()){System.out.println(matcher.group());}}
        br.close();}}

1.3 爬取数据练习

需求：

​ 把下面文本中的座机电话，邮箱，手机号，热线都爬取出来。

学习Java，手机号:18512516758，18512508907或者联系邮箱:boniu@itcast.cn，座机电话:01036517895，010-98951256邮箱:bozai@itcast.cn，热线电话:400-618-9090 ，400-618-4000，4006184000，4006189090手机号的正则表达式:1[3-9]\d{9}

代码示例：

packagecom.itheima.a08regexdemo;importjava.util.regex.Matcher;importjava.util.regex.Pattern;publicclassRegexDemo8{publicstaticvoidmain(String[] args){/*
            需求:把下面文本中的座机电话，邮箱，手机号，热线都爬取出来。
            学习Java，
            手机号:18512516758，18512508907或者联系邮箱:[email protected]，
            座机电话:01036517895，010-98951256邮箱:[email protected]，
            热线电话:400-618-9090 ，400-618-4000，4006184000，4006189090

            手机号的正则表达式:1[3-9]\d{9}
            邮箱的正则表达式:\w+@[\w&&[^_]]{2,6}(\.[a-zA-Z]{2,3}){1,2}座机电话的正则表达式:θ\d{2,3}-?[1-9]\d{4,9}
            热线电话的正则表达式:400-?[1-9]\\d{2}-?[1-9]\\d{3}

        */String s ="学习Java，"+"电话:18512516758，18512508907"+"或者联系邮箱:[email protected]，"+"座机电话:01036517895，010-98951256"+"邮箱:[email protected]，"+"热线电话:400-618-9090 ，400-618-4000，4006184000，4006189090";System.out.println("400-618-9090");String regex ="(1[3-9]\\d{9})|(\\w+@[\\w&&[^_]]{2,6}(\\.[a-zA-Z]{2,3}){1,2})"+"|(0\\d{2,3}-?[1-9]\\d{4,9})"+"(400-?[1-9]\\d{2}-?[1-9]\\d{3})";//1.获取正则表达式的对象Pattern p =Pattern.compile(regex);//2.获取文本匹配器的对象//利用m去读取s，会按照p的规则找里面的小串Matcher m = p.matcher(s);//3.利用循环获取每一个数据 while(m.find()){String str = m.group();System.out.println(str);}}

1.4 按要求爬取

需求：

​ 有如下文本，按要求爬取数据。

​ Java自从95年问世以来，经历了很多版本，目前企业中用的最多的是Java8和Java11，因为这两个是长期支持版本，下一个长期支持版本是Java17，相信在未来不久Java17也会逐渐登上历史舞台。

需求1：

​ 爬取版本号为8，11.17的Java文本，但是只要Java，不显示版本号。

需求2：

​ 爬取版本号为8，11，17的Java文本。正确爬取结果为：Java8 Java11 Java17 Java17

需求3：

​ 爬取除了版本号为8，11，17的Java文本。
代码示例：

publicclassRegexDemo9{publicstaticvoidmain(String[] args){/*
            有如下文本，按要求爬取数据。
                Java自从95年问世以来，经历了很多版本，目前企业中用的最多的是Java8和Java11，
                因为这两个是长期支持版本，下一个长期支持版本是Java17，相信在未来不久Java17也会逐渐登上历史舞台

            需求1:爬取版本号为8，11.17的Java文本，但是只要Java，不显示版本号。
            需求2:爬取版本号为8，11，17的Java文本。正确爬取结果为:Java8 Java11 Java17 Java17
            需求3:爬取除了版本号为8，11.17的Java文本，
        */String s ="Java自从95年问世以来，经历了很多版本，目前企业中用的最多的是Java8和Java11，"+"因为这两个是长期支持版本，下一个长期支持版本是Java17，相信在未来不久Java17也会逐渐登上历史舞台";//1.定义正则表达式//?理解为前面的数据Java//=表示在Java后面要跟随的数据//但是在获取的时候，只获取前半部分//需求1:String regex1 ="((?i)Java)(?=8|11|17)";//需求2:String regex2 ="((?i)Java)(8|11|17)";String regex3 ="((?i)Java)(?:8|11|17)";//需求3:String regex4 ="((?i)Java)(?!8|11|17)";Pattern p =Pattern.compile(regex4);Matcher m = p.matcher(s);while(m.find()){System.out.println(m.group());}}}

1.5 贪婪爬取和非贪婪爬取

只写+和表示贪婪匹配，如果在+和后面加问号表示非贪婪爬取
+? 非贪婪匹配
*? 非贪婪匹配
贪婪爬取:在爬取数据的时候尽可能的多获取数据
非贪婪爬取:在爬取数据的时候尽可能的少获取数据

举例：
如果获取数据：ab+
贪婪爬取获取结果:abbbbbbbbbbbb
非贪婪爬取获取结果:ab

代码示例：

publicclassRegexDemo10{publicstaticvoidmain(String[] args){/*
            只写+和*表示贪婪匹配

            +? 非贪婪匹配
            *? 非贪婪匹配

            贪婪爬取:在爬取数据的时候尽可能的多获取数据
            非贪婪爬取:在爬取数据的时候尽可能的少获取数据

            ab+:
            贪婪爬取:abbbbbbbbbbbb
            非贪婪爬取:ab
        */String s ="Java自从95年问世以来，abbbbbbbbbbbbaaaaaaaaaaaaaaaaaa"+"经历了很多版木，目前企业中用的最多的是]ava8和]ava11，因为这两个是长期支持版木。"+"下一个长期支持版本是Java17，相信在未来不久Java17也会逐渐登上历史舞台";String regex ="ab+";Pattern p =Pattern.compile(regex);Matcher m = p.matcher(s);while(m.find()){System.out.println(m.group());}}}

1.6 String的split方法中使用正则表达式

  • String类的split()方法原型：publicString[]split(String regex)//参数regex表示正则表达式。可以将当前字符串中匹配regex正则表达式的符号作为"分隔符"来切割字符串。
  • 代码示例：
/*
            有一段字符串:小诗诗dqwefqwfqwfwq12312小丹丹dqwefqwfqwfwq12312小惠惠
            要求1:把字符串中三个姓名之间的字母替换为vs
            要求2:把字符串中的三个姓名切割出来*/String s ="小诗诗dqwefqwfqwfwq12312小丹丹dqwefqwfqwfwq12312小惠惠";//细节://方法在底层跟之前一样也会创建文本解析器的对象//然后从头开始去读取字符串中的内容，只要有满足的，那么就切割。String[] arr = s.split("[\\w&&[^_]]+");for(int i =0; i < arr.length; i++){System.out.println(arr[i]);}

1.7 String类的replaceAll方法中使用正则表达式

  • String类的replaceAll()方法原型：
publicStringreplaceAll(String regex,String newStr)//参数regex表示一个正则表达式。可以将当前字符串中匹配regex正则表达式的字符串替换为newStr。
  • 代码示例：
/*
            有一段字符串:小诗诗dqwefqwfqwfwq12312小丹丹dqwefqwfqwfwq12312小惠惠
            要求1:把字符串中三个姓名之间的字母替换为vs
            要求2:把字符串中的三个姓名切割出来*/String s ="小诗诗dqwefqwfqwfwq12312小丹丹dqwefqwfqwfwq12312小惠惠";//细节://方法在底层跟之前一样也会创建文本解析器的对象//然后从头开始去读取字符串中的内容，只要有满足的，那么就用第一个参数去替换。String result1 = s.replaceAll("[\\w&&[^_]]+","vs");System.out.println(result1);

1.8 正则表达式-分组括号( )

细节：如何识别组号？

只看左括号，不看有括号，按照左括号的顺序，从左往右，依次为第一组，第二组，第三组等等

//需求1:判断一个字符串的开始字符和结束字符是否一致?只考虑一个字符//举例: a123a b456b 17891 &abc& a123b(false)// \\组号:表示把第X组的内容再出来用一次String regex1 ="(.).+\\1";System.out.println("a123a".matches(regex1));System.out.println("b456b".matches(regex1));System.out.println("17891".matches(regex1));System.out.println("&abc&".matches(regex1));System.out.println("a123b".matches(regex1));System.out.println("--------------------------");//需求2:判断一个字符串的开始部分和结束部分是否一致?可以有多个字符//举例: abc123abc b456b 123789123 &!@abc&!@ abc123abd(false)String regex2 ="(.+).+\\1";System.out.println("abc123abc".matches(regex2));System.out.println("b456b".matches(regex2));System.out.println("123789123".matches(regex2));System.out.println("&!@abc&!@".matches(regex2));System.out.println("abc123abd".matches(regex2));System.out.println("---------------------");//需求3:判断一个字符串的开始部分和结束部分是否一致?开始部分内部每个字符也需要一致//举例: aaa123aaa bbb456bbb 111789111 &&abc&&//(.):把首字母看做一组// \\2:把首字母拿出来再次使用// *:作用于\\2,表示后面重复的内容出现日次或多次String regex3 ="((.)\\2*).+\\1";System.out.println("aaa123aaa".matches(regex3));System.out.println("bbb456bbb".matches(regex3));System.out.println("111789111".matches(regex3));System.out.println("&&abc&&".matches(regex3));System.out.println("aaa123aab".matches(regex3));

1.9 分组练习

需求:

​ 将字符串：我要学学编编编编程程程程程程。

​ 替换为：我要学编程

String str ="我要学学编编编编程程程程程程";//需求:把重复的内容 替换为 单个的//学学                学//编编编编            编//程程程程程程        程//  (.)表示把重复内容的第一个字符看做一组//  \\1表示第一字符再次出现//  + 至少一次//  $1 表示把正则表达式中第一组的内容，再拿出来用String result = str.replaceAll("(.)\\1+","$1");System.out.println(result);

1.10 忽略大小写的写法

//(?i) ：表示忽略后面数据的大小写//忽略abc的大小写String regex ="(?i)abc";//a需要一模一样，忽略bc的大小写String regex ="a(?i)bc";//ac需要一模一样，忽略b的大小写String regex ="a((?i)b)c";

1.11 非捕获分组

非捕获分组：分组之后不需要再用本组数据，仅仅是把数据括起来。

//身份证号码的简易正则表达式//非捕获分组:仅仅是把数据括起来//特点:不占用组号//这里\\1报错原因:(?:)就是非捕获分组，此时是不占用组号的。//(?:) (?=) (?!)都是非捕获分组//更多的使用第一个//String regex1 ="[1-9]\\d{16}(?:\\d|x|x)\\1";String regex2 ="[1-9]\\d{16}(\\d Xx)\\1";//^([01]\d|2[0-3]):[0-5]\d:[@-5]\d$System.out.println("41080119930228457x".matches(regex2));

1.12 正则表达式练习

手机号码:1[3-9]\\d{9}
座机号码：0\\d{2,3}-?[1-9]\\d{4,9}
邮箱号码：\\w+@[\\w&&[^_]]{2,6}(\\.[a-zA-Z]{2,3}){1,2}24小时：([01]\\d|2[0-3]):[0-5]\\d:[0-5]\\d
       ([01]\\d|2[0-3])(:[0-5]\\d){2}
用户名:    \\w{4,16}
身份证号码，简单校验：
        [1-9]\\d{16}(\\d|X|x)[1-9]\\d{16}[\\dXx][1-9]\\d{16}(\\d(?i)X)
身份证号码，严格校验：
        [1-9]\\d{5}(18|19|20)\\d{2}(0[1-9]|1[0-2])(0[1-9|[12])\\d|3[01])\\d{3}[\\dXx]

后记
👉👉💕💕美好的一天，到此结束，下次继续努力！欲知后续，请看下回分解，写作不易，感谢大家的支持！！ 🌹🌹🌹

标签： 学习 java 爬虫
本文转载自: https://blog.csdn.net/m0_59230408/article/details/132312984
版权归原作者 失重外太空. 所有， 如有侵权，请联系我们删除。
登录后发布评论

“从零开始学习 Java：简单易懂的入门指南之爬虫（十六）”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

Elasticsearch 再次开源

SQLite Studio 3.3.1：功能强大的开源SQLite数据库管理工具

hadoop搭建，jps没有datanode节点解决办法（实用简化版）

Spring boot启动过程详解

沉浸式体验亚马逊云科技上私有化部署零一万物AI大模型

人工智能时代，程序员如何保持核心竞争力？

Mithril：为Cardano网络提供高效安全的区块链快照解决方案

文章导航