#JAVA－常用API－爬虫

1.爬虫

我们在正则表达式的讲解中可以使用字符串的方法materchs()来匹配，并且返回一个boolean值

String name = "lshhhljh";
System.out.println(name.matches("lsh{3}\\s{3}"));
//true

现在我们将利用正则表达式来爬取本地或者网站上的文本内容

a.本地文本

在此之前我们先学习一下两个会用到的类

• Pattern：表示正则表达式
• Matcher：表示文本匹配器，按照正则表达式的规则去读取字符串，从头开始读取

Matcher表示在大串中获取符合规则的子串

我们来简单介绍一下这两个类：

• Pattern:
  • 编译正则表达式：用于将正则表达式字符串编译为一个模式对象，这个编译后的对象可以高效的应用于多次匹配操作
  • 创建Matcher对象
• Matcher：用于对输入的字符串进行基于正则表达式的匹配操作。它与Pattern类紧密相连

通过例子来介绍这Matcher的方法：

 String s = "文章包括各种文体的著作、作品，如诗歌、戏剧、小说、" +
       "科学论文，记叙文、议论文、说明文、应用文等等。" +
     "“千古文章未尽才”“文章千古事”“文章憎命达”“板凳要坐十年冷、文章不写一字空”" +
    "“积句而成章，积章而成篇”“言出为论，下笔成章”等";
Pattern p = Pattern.compile("文章");
Matcher matcher = p.matcher(s);
boolean b = matcher.find();
String s1 = matcher.group();
System.out.println(s1);

输出的结果是：文章

1. boolean b = matcher.find()

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

2. String s1 = matcher.group()

• 方法底层会根据find方法记录的索引进行字符的截取
• 使用的是subString(起始索引,结束索引)包头不包尾。会把截取的小串进行返回。

所以find方法记录的索引才是结束索引+1

但是上述的代码只能返回一个匹配的结果，所以我们需要用到循环

 Pattern p = Pattern.compile("文章");
 Matcher matcher = p.matcher(s);

 while (matcher.find()) {
     String s1 = matcher.group();
     System.out.println(s1);
 }

在代码中需要我们注意的是我们需要反复的调用find方法，所以在while循环中要把find方法放进去。

find方法在多次调用时会依次往字符串的后面查找，所以可以使用循环找到所有的结果

b.网络文本

说明：略
代码示例：

//创建一个URL对象
URL url = new URL( spec: "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 = new BufferedReader(new InputStreamReader(conn.getInputStream()));
String line;
//获取正则表达式的对象 pattern
String 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();

2.带条件爬取

有的时候我们要对爬取的内容作限制和修改，就用到了待条件爬取的规则

我们先看一个例子：来自黑马程序员

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

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:Java8Java11 Java17Java17
需求3:爬取除了版本号为8,11,17的Java文本,

代码示例：

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
String regex = "Java( ?= 8|11|17)";
Pattern p = Pattern.compile(regex);
Matcher m = p.matcher(s);
while(m.find()){
	System.out.println(m.group());
}

输出的结果是4个Java
String regex = "Java( ?= 8|11|17)"中括号中的部分只是当作了限制条件，但是不会被输出。

• ? 在这里被当作占位符，可以理解为前面的Java
• =表示在占位符后面要跟的数据，在这里是指要获取的子串的Java后面要跟的数据
• |表示“或者”的意思

因为第一个Java后面没有跟版本数字所以没有被打印

补充：((?i)Java)( ?= 8|11|17) ---- 第一个（？i）表示Java在匹配的时候忽略大小写，第二个？ 表示前面的((?i)Java)

需求二：爬取版本号为8,11,17的Java文本。正确爬取结果为:Java8Java11 Java17Java17

1. 第一种方法，不使用? 作为占位符

String regex = "Java(8|11|17)";

2. 第二种方法：使用?

String regex = "Java(?:8|11|17)";

这两种方式都是可以满足上面的要求的

需求三：爬取除了版本号为8,11,17的Java文本

String regex = "Java(?！8|11|17)";

只需要修改正则表达式即可
在这里：！ 表示去除的意思

4. 贪婪爬取和非贪婪爬取

我们前面介绍过正则表达式的数量词，其中有这两个：

• * ：表示 * 前面这个字符匹配零次或多次
• + ：表示 + 前面这个字符匹配一次或多次

那到底是匹配一次还是多次呢？
在Java编译器种默认的匹配机制是贪婪爬取：就是尽可能多的进行匹配

例如：

abbbbbbbbbbbaaaaa

这段字符，如果正则表达式为：ab+

• 贪婪爬取：abbbbbbbbbbb
• 非贪婪爬取：ab

默认的爬取方式为贪婪爬取，我们怎么样使用非贪婪爬取呢？

• ab+?
• ab*?

在正则表达式的后面加上一个?即可

5.正则表达式在字符串方法中的使用

返回值是字符串类型的方法中正则表达式的使用

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,那么就用第二个参数去替换。
String resut1 = s.replaceAll("[\\w&&[^_]]+", "vs");
System.out.println(resut1);

//要求二
String[] arr = s.split( regex: "[\\w&&[^_]]+");
for (int i = 0; i < arr.length; i++) {
	System.out.println(arr[i]);
}

第二个切割的方法就是按照正则表达式去切割，把正则表达式匹配到的字符串当作断点切割

6.捕获分组和非捕获分组

题目的分组是针对正则表达式来说的
分组：就是正则表达式中的小括号：()

我们给出代码示例：

//简易身份证号码
String regex1 = "\\w+@[\\w&&[^_]]{2,6}(\\.[a-zA-Z]{2,3}){1,2})";
//邮箱号
String regex2 = "[1-9]\d{16}(\\d|x|x)";
//24小时时间的两种方式
String regex3 = "([01]\\d|2[0-3]): [0-5]\\d: [0-5]\d"
String regex4 = "([01]\d|2[0-3])(:[0-5]\\d){2}"

用括号表示分组，再使用分组进行复用

同时我们需要知道，分组其实是有序号的：

(\\d(\\d))(\\d)
1    2      3

分组的序号是看左括号进行排序的

a.捕获分组

就是把这一组的数据捕获出来再使用一次
代码示例：

//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));

代码示例二：

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
//编编编编
//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( regex:"(.)\\1+", replacement: "$1");
System.out.println(result);

String result = str.replaceAll( regex:"(.)\\1+", replacement: "$1")这行代码在进行替换的时候仍然使用了第一组的内容。所以使用了$组号

因为是在正则表达式的外部使用组号，所以需要使用这个符号：$

b.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。

代码示例：前面的Java字符串案例，这里不再赘述