JAVA综合面试题：页面的抓取、解析、保存数据库和生成HTML的页面展示

次例子可以用来学习网络编程，正则表达式的使用，泛型，数据库的基本操作等JAVA知识

问题如下：来源于论坛

http://topic.csdn.net/u/20090616/13/59aa4e2d-3752-45df-9c1b-c65c46c3e4d7.html

写一个jsp页面，访问时显示从下面的页面提取出的销售商详细信息：价格、运费、经销

商基本信息等，并写到一个数据库表里。

http://www.amazon.com/gp/offer-listing/B0012J52OC/

数据抓取的问题，涉及到

1 用URLConnection 读取页面信息，用httpclient也行

2 用Pattern 解析页面并拿到你要的信息

3 显示数据

4 存入数据库

这个是一个综合的考试，涉及的知识面比较广。

1 我这里只给出关键的部分，使用java程序实现，而不是JSP的代码。移植工作请自行完成。

2 我使用自己的数据库连接，请替换为应用服务器提供的数据源为好

3 代码分三部分，数据库结构，POJO类和应用程序，当然还有一个辅助类，也是我自己写的

4 欢迎光临老紫竹的JAVA世纪网 http://www.java2000.net, 呵呵，广告放里面了

一、数据库结构 AmazonGoods.sql 使用的是MySQL的数据库

-- ----------------------------
-- Table structure for amazongoods
-- ----------------------------
CREATE TABLE `amazongoods` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`price` decimal(10,0) NOT NULL,
`shipping` decimal(10,0) NOT NULL,
`Seller` text NOT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=11 DEFAULT CHARSET=utf8;

二、POJO类 AmazonGoods.java

package com.laozizhu.test.amazon;
import java.math.BigDecimal;
/**
* 某一行的商品数据
*
* @author 老紫竹的家(laozizhu.com)
*
*/
class AmazonGoods {
public long getId() {
return id;
}
public void setId(long id) {
this.id = id;
}
public BigDecimal getPrice() {
return price;
}
public void setPrice(BigDecimal price) {
this.price = price;
}
public BigDecimal getShipping() {
return shipping;
}
public void setShipping(BigDecimal shipping) {
this.shipping = shipping;
}
public String getSeller() {
return seller;
}
public void setSeller(String seller) {
this.seller = seller;
}
// 序列号，主键
private long id;
// 价格
private BigDecimal price;
// 运费
private BigDecimal shipping;
// 商家信息
private String seller;
}

三、应用类

package com.laozizhu.test.amazon;
import java.math.BigDecimal;
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.util.ArrayList;
import java.util.List;
import java.util.Properties;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import com.laozizhu.tools.PageService;
public class AmazonFetch {
/**
* @param args
*/
public static void main(String[] args) {
// 我这里需要设置代理，如果你能直接访问互联网，则无需这段代码了
initProxy();
// 读取页面数据
String str = PageService.getPage("http://www.amazon.com/gp/offer-listing/B0012J52OC/", "ISO-8859-1");
// 解析页面，拿到商品信息
List<AmazonGoods> list = parse(str);
// 生成HTML表格
buildTable(list);
// 存入数据库
saveToMySQL(list);
}
/**
* 简单的代理服务器，无需密码认证
*/
private static void initProxy() {
Properties prop = System.getProperties();
// prop.put("proxySet", "true");
// 设置http访问要使用的代理服务器的地址
prop.setProperty("http.proxyHost", "10.60.8.20");
// 设置http访问要使用的代理服务器的端口
prop.setProperty("http.proxyPort", "8080");
}
// 注意，美元符号要转义
// 因为报价都包含小数点，所以用数字+小数点+2位小数即可
// 商家信息包含了对应的标签
static Pattern pPrice = Pattern.compile(
"<span class=/"price/">//$([//d]+//.[//d]{2})</span>.*?(<ul class=/"sellerInformation/">.+?</ul>)", Pattern.DOTALL);
// 运费
// <span class="price_shipping">+ $6.04</span>
static Pattern pShipping = Pattern
.compile("<span class=/"price_shipping/">//+ //$([//d]+//.[//d]{2})</span>", Pattern.DOTALL);
/**
* 解析页面，获得商品列表
*
* @param page
*          页面
* @return 商品列表
*/
private static List<AmazonGoods> parse(String page) {
// 首先，把商品分成多个字符串片段
// 分割符就是表格里的内容了。这个得查看HTML源代码才能找到合适的
String[] strs = page.split("<tbody class=/"result/">");
// 构造结果
// 默认长度为片段的长度，呵呵
List<AmazonGoods> list = new ArrayList<AmazonGoods>(strs.length);
AmazonGoods goods = null;
// 循环解析每个商品片段
for (String str : strs) {
// 注意，不是每个商品都有运费，所以正则最好不要写一个
// 当然，你愿意弄复杂了也行，我个人不推荐这么做
Matcher m = pPrice.matcher(str);
if (m.find()) {
goods = new AmazonGoods();
goods.setPrice(new BigDecimal(m.group(1)));
// 这里面包含了HTML的信息，包括Javascript内容，不过比较难删除
// 因为有些页面文字是用js显示的，还是保留的比较好
goods.setSeller(m.group(2));
// 查找运费
m = pShipping.matcher(str);
if (m.find()) {
goods.setShipping(new BigDecimal(m.group(1)));
}
// 将商品加入列表
list.add(goods);
} else {
// 没有找到价格，则这部分不包含商品信息，无需继续
continue;
}
}
return list;
}
private static String buildTable(List<AmazonGoods> list) {
StringBuilder b = new StringBuilder("<table>");
b.append("<tr><th>价格</th><th>运费</th><th>商家信息</th></tr>");
for (AmazonGoods goods : list) {
b.append("<tr><th>" + goods.getPrice() + "</th><th>" + goods.getShipping() + "</th><th>" + goods.getSeller()
+ "</th></tr>");
}
b.append("</table>");
return b.toString();
}
private static void saveToMySQL(List<AmazonGoods> list) {
// 这里就用最原始的方法获得数据库连接了。
// 数据库结构请参考AmazonGoods.sql
// 使用test的数据库
Connection con = null;
PreparedStatement st = null;
String url = "jdbc:mysql://localhost:3306/";
String db = "test";
String driver = "com.mysql.jdbc.Driver";
String user = "test";
String pass = "test";
BigDecimal ZERO = new BigDecimal("0");
try {
Class.forName(driver);
con = DriverManager.getConnection(url + db, user, pass);
st = con.prepareStatement("insert into AmazonGoods (price,shipping,seller) values(?,?,?)");
for (AmazonGoods goods : list) {
st.setBigDecimal(1, goods.getPrice());
st.setBigDecimal(2, goods.getShipping()==null?ZERO:goods.getShipping());
st.setString(3, goods.getSeller());
if (st.executeUpdate() <= 0) {
throw new Exception("保存数据错误!");
}
st.clearParameters();
}
} catch (Exception ex) {
ex.printStackTrace();
} finally {
if (st != null) {
try {
st.close();
} catch (Exception ex) {
}
}
if (con != null) {
try {
con.close();
} catch (Exception ex) {
}
}
}
}
}

四、辅助类，PageService.java

package com.laozizhu.tools;
import java.io.BufferedReader;
import java.io.FileNotFoundException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.io.OutputStream;
import java.net.ConnectException;
import java.net.HttpURLConnection;
import java.net.URL;
import java.util.zip.GZIPInputStream;
/**
* 读取URL的文本工具
*
* @author 赵学庆 www.java2000.net
*/
public class PageService {
private static final String BR = "/r/n";
/**
* 读取文本。默认使用UTF-8编码
*
* @param page
*          页面的URL,比如 http://www.java2000.net * @return 读取到的文本字符串
*/
public static String getPage(String page) {
return getPage(page, "UTF-8");
}
/**
* 读取文本
*
* @param page
*          页面的URL,比如 http://www.java2000.net * @param charset
*          页面的编码
* @return 读取到的文本字符串
*/
public static String getPage(String page, String charset) {
String str = null;
int count = 3;
do {
str = _getPage(page, charset);
if (str == null || str.length() == 0) {
try {
Thread.sleep(1000);
} catch (InterruptedException e) {
e.printStackTrace();
}
}
} while (str == null && count-- > 0);
return str;
}
private static String _getPage(String page, String charset) {
try {
URL url = new URL(page);
HttpURLConnection con = (HttpURLConnection) url.openConnection();
// 增加了浏览器的类型，就用Firefox好了，也许
con
.setRequestProperty(
"User-Agent",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; Trident/4.0; .NET CLR 1.1.4322; .NET CLR 2.0.50727)");
int index = page.indexOf("/", 10);
con.setRequestProperty("Host", index == -1 ? page.substring(7) : page
.substring(7, index));
InputStream is = con.getInputStream();
if (con.getContentEncoding() != null
&& con.getContentEncoding().equalsIgnoreCase("gzip")) {
is = new GZIPInputStream(con.getInputStream());
}
BufferedReader reader = new BufferedReader(new InputStreamReader(is,
charset));
StringBuilder b = new StringBuilder();
String line;
while ((line = reader.readLine()) != null) {
b.append(line);
b.append(BR);
}
reader.close();
return b.toString();
} catch (FileNotFoundException ex) {
System.out.println("NOT FOUND:" + page);
return null;
} catch (ConnectException ex) {
System.out.println("Timeout:" + page);
return null;
} catch (Exception ex) {
ex.printStackTrace();
return null;
}
}
public static String postPage(String page, String msg) throws Exception {
URL url = new URL(page);
HttpURLConnection con = (HttpURLConnection) url.openConnection();
con.setDoOutput(true); // POST方式
con
.setRequestProperty(
"User-Agent",
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; Trident/4.0; .NET CLR 1.1.4322; .NET CLR 2.0.50727)");
int index = page.indexOf("/", 10);
con.setRequestProperty("Host", index == -1 ? page.substring(7) : page
.substring(7, index));
con.setRequestMethod("POST");
con.addRequestProperty("Content-Type", "application/x-www-form-urlencoded");
OutputStream os = con.getOutputStream(); // 输出流，写数据
os.write(msg.getBytes("UTF-8"));
InputStream is = con.getInputStream();
if (con.getContentEncoding() != null
&& con.getContentEncoding().equalsIgnoreCase("gzip")) {
is = new GZIPInputStream(con.getInputStream());
}
BufferedReader reader = new BufferedReader(new InputStreamReader(is,
"UTF-8")); // 读取结果
StringBuilder b = new StringBuilder();
String line;
while ((line = reader.readLine()) != null) {
b.append(line);
b.append(BR);
}
os.close();
reader.close();
return b.toString();
}
}