今天一天都在想怎么爬到我需要的数据,然后用Java代码实现了一下。以前只是知道正则表达式很强大,但是看起来头晕,所以也懒得去看。
然后突然要爬数据,看到别人写的例子,一大堆的正则表达式,所以硬着头皮也去入了一个门。附上参考网站,很给力的正则学习,30分钟真能入门。
1 需求:比如要从这样一个网页上抓取数据
http://map.baidu.com/detail?qt=ninf&from=housezt&detail=house&uid=5ef5edbdc64c1bb49e9d6899
这个请求最后面的uid其实是百度地图上查到该点的uid,我的数据库里面已经获取了武汉的房地产的uid,现在要通过uid获取详细信息。
先从一个着手,再多的数据也是循环抓取了。
2 发送请求到网页 ,用到HttpURLConnection类
这里用别人写好的一个
package connection;
import java.io.BufferedReader;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.net.HttpURLConnection;
import java.net.URL;
public class ConnectionUtil {
public static String Connect(String address){
HttpURLConnection conn = null;
URL url = null;
InputStream in = null;
BufferedReader reader = null;
StringBuffer stringBuffer = null;
try {
url = new URL(address);
conn = (HttpURLConnection) url.openConnection();
conn.setConnectTimeout(5000);
conn.setReadTimeout(5000);
conn.setDoInput(true);
conn.connect();
in = conn.getInputStream();
reader = new BufferedReader(new InputStreamReader(in));
stringBuffer = new StringBuffer();
String line = null;
while((line = reader.readLine()) != null){
stringBuffer.append(line);
}
} catch (Exception e) {
e.printStackTrace();
} finally{
conn.disconnect();
try {
in.close();
reader.close();
} catch (Exception e) {
e.printStackTrace();
}
}
return stringBuffer.toString();
}
}
3 接收服务器返回的页面html数据
返回了html字符串之后,首先要明确需要抓取的数据是哪些,分析网页的特点。
比如我现在要抓取的数据有:
图片url
价格
房屋类型
建筑类型
建筑年代
容积率
物业费
物业公司
开发商
然后分析它的html结构:
分析好结构之后就好写正则表达式了,用来匹配获取。
4 进行解析
package main;
import connection.ConnectionUtil;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class Analyze {
public String regexMain(String uid) {
String url="http://map.baidu.com/detail?qt=ninf&from=housezt&detail=house&uid="+uid;
String result = ConnectionUtil.Connect(url);
return getHouseInfo(result);
}
private String getHouseInfo(String targetStr) {
StringBuilder lastInfo=new StringBuilder();
//提取图片url
Pattern imgpattern=Pattern.compile("<img class=\"img-large\".*\" />");
Matcher imgmatcher=imgpattern.matcher(targetStr);
while (imgmatcher.find()){
String imgString=imgmatcher.group();
int n=imgString.lastIndexOf("=\"");
String imgUrl=imgString.substring(n+2,imgString.length()-3);
//System.out.println("imgRul:"+imgUrl);
lastInfo.append("图片url:"+imgUrl+"\n");
}
//首先提取出包含房产信息的html片段,再分别处理
Pattern pattern1 = Pattern
.compile("fcg\">\\w*.+\\s*<dd>\\w*.+</dd>");
Matcher matcher1 = pattern1.matcher(targetStr);
String info = "";
while (matcher1.find()) {
info = matcher1.group(); //提取出的片段
Pattern pattern2 = Pattern
.compile("f24 fcr\">[0-9]+");
Matcher matcher2 = pattern2.matcher(info);
while (matcher2.find()) {
String price = matcher2.group().substring(9); //提取出价格
//System.out.println("价格:" + price);
lastInfo.append("价格:"+price+"元/平米\n");
}
Pattern pattern3 = Pattern
.compile("房屋类型:</dt>\\s*<dd>[\\u4e00-\\u9fa5]+( *[\\u4e00-\\u9fa5]+)*");
Matcher matcher3 = pattern3.matcher(info);
String houseType = ""; //可能有的没有
while (matcher3.find()) {
int n = matcher3.group().lastIndexOf(">");
houseType = matcher3.group().substring(n + 1);
}
//ystem.out.println("房屋类型:" + houseType);
lastInfo.append("房屋类型:"+houseType+"\n");
//建筑类型同理
Pattern pattern4 = Pattern
.compile("建筑类型:</dt>\\s*<dd>[\\u4e00-\\u9fa5]+( *[\\u4e00-\\u9fa5]+)*");
Matcher matcher4 = pattern4.matcher(info);
String blockType = ""; //可能有的
while (matcher4.find()) {
int n = matcher4.group().lastIndexOf(">");
blockType = matcher4.group().substring(n + 1);
}
//System.out.println("建筑类型:" + blockType);
lastInfo.append("建筑类型:"+blockType+"\n");
//建筑年代
Pattern pattern5 = Pattern
.compile("建筑年代:</dt>\\s*<dd>[0-9]+");
Matcher matcher5 = pattern5.matcher(info);
String blockAge = ""; //可能有的没有
while (matcher5.find()) {
int n = matcher5.group().lastIndexOf(">");
blockAge = matcher5.group().substring(n + 1);
}
//System.out.println("建筑年代:" + blockAge);
lastInfo.append("建筑年代:"+blockAge+"\n");
//容积率
Pattern pattern6 = Pattern
.compile("容积率:</dt>\\s*<dd>[0-9]+\\.[0-9]+");
Matcher matcher6 = pattern6.matcher(info);
String FAR = ""; //可能有的没有
while (matcher6.find()) {
int n = matcher6.group().lastIndexOf(">");
FAR = matcher6.group().substring(n + 1);
}
//System.out.println("容积率:" + FAR);
lastInfo.append("容积率:"+FAR+"\n");
//物业费
Pattern pattern9 = Pattern
.compile("物业费:</dt>\\s*<dd>[0-9]+\\.[0-9]+");
Matcher matcher9 = pattern9.matcher(info);
String fee = ""; //可能有的没有
while (matcher9.find()) {
int n = matcher9.group().lastIndexOf(">");
fee = matcher9.group().substring(n + 1);
}
//System.out.println("物业费:" + fee);
lastInfo.append("物业费:"+fee+"元/平米/月\n");
//物业公司
Pattern pattern7 = Pattern
.compile("物业公司:</dt>\\s*<dd>[\\u4e00-\\u9fa5]+( *[\\u4e00-\\u9fa5]+)*");
Matcher matcher7 = pattern7.matcher(info);
String pManage = ""; //可能有的没有
while (matcher7.find()) {
int n = matcher7.group().lastIndexOf(">");
pManage = matcher7.group().substring(n + 1);
}
//System.out.println("物业公司:" + pManage);
lastInfo.append("物业公司:"+pManage+"\n");
//开发商
Pattern pattern8 = Pattern
.compile("开发商:</dt>\\s*<dd>[\\u4e00-\\u9fa5]+( *[\\u4e00-\\u9fa5]+)*");
Matcher matcher8 = pattern8.matcher(info);
String company = ""; //可能有的没有
while (matcher8.find()) {
int n = matcher8.group().lastIndexOf(">");
pManage = matcher8.group().substring(n + 1);
}
//System.out.println("开发商:" + pManage);
lastInfo.append("开发商:"+pManage+"\n");
}
return lastInfo.toString();
}
}
5 获取结果
uid:5ef5edbdc64c1bb49e9d6899
图片url:http://webmap2.map.bdimg.com/maps/services/thumbnails?width=350&height=200&align=center,center&src=http://src.house.sina.com.cn/imp/imp/deal/fa/86/f/cf94afde93e3f5622746b3ec86f_p7_mk7_os02c14c_cm240X180.jpg”
价格:13000元/平米
房屋类型:塔楼
建筑类型:塔楼 多层 小高层 高层水景地产 宜居生态地产 公园地产 武汉特色楼盘
建筑年代:2014
容积率:1.05
物业费:2.8元/平米/月
物业公司:碧桂园物业发展有限公司
开发商:武汉生态城碧桂园投资有限公司
Process finished with exit code 0