使用正则表达式，从网站上获取指定数据

最近做的一个项目中，其中有这样一个需求：用户要求我们实时在地图上显示某些指定景点的人数，但是却没有给我们数据的接口。不过可以从网页上获取到最新的数据，每小时更新一次。所以经理安排我做一个实时从网页上抓取数据的功能。

既然是网页，那么无用的数据肯定是非常多的，所以就需要用正则表达式来过滤出自己所需要的数据。

不得不说，正则表达式比substring好用多了，而且效率也很不错。下面来分享一下我的这段代码吧：

/**
	 * 从网站获取日期信息
	 * 
	 * @Title: getDate
	 * @Date : 2014-8-12 上午09:42:26
	 * @return
	 */
	private String getDate() {

		// 从网站抓取数据
		String table = catchData();
		String date = "";

		// 使用正则表达式，获取对应的数据
		Pattern places = Pattern.compile("(<p align=\"center\">)([^\\s]*)");
		Matcher matcher = places.matcher(table);
		while (matcher.find()) {
			System.out.println(matcher.group(2));
			date = matcher.group(2);
		}
		return date;
	}

	/**
	 * 从网站抓取数据（未经处理）
	 * 
	 * @Title: getData
	 * @Date : 2014-8-12 上午09:34:30
	 * @return
	 */
	@SuppressWarnings("unchecked")
	private String catchData() {
		String table = "";
		try {
			Map map = new HashMap();
			map.put("a", "1");// 莫删，否则报错
			table = AsyncRequestUtil.getJsonResult(map, "http://s.visitbeijing.com.cn/flow.php");
		} catch (Exception e) {
			e.printStackTrace();
		}
		return table;
	}

【AsyncRequestUtil.java】

package com.zhjy.zydc.util;

import java.util.Map;

/**
 * 异步请求数据
 * @author  	: Cuichenglong
 * @group   	: tgb
 * @Version 	: 1.00
 * @Date    	: 2014-5-28 上午09:54:20
 */
public class AsyncRequestUtil {

	/**
	 * 异步请求数据
	 * @Title: getJsonResult
	 * @param map
	 * @param strURL
	 * @return
	 */
	public static String getJsonResult(Map<String, Object> map, String strURL)throws Exception {

		/** 跨域登录，获取返回结果  **/
		String result = null;
		result = UrlUtil.getDataFromURL(strURL, map);
		if (result!=null && result.startsWith("null{")) {
			result = result.substring("null".length());
		}
		return result;
	}

}

【UrlUtil .java】

package com.zhjy.zydc.util;

import java.io.BufferedReader;
import java.io.InputStreamReader;
import java.io.OutputStreamWriter;
import java.io.UnsupportedEncodingException;
import java.net.URL;
import java.net.URLConnection;
import java.net.URLDecoder;
import java.net.URLEncoder;
import java.util.ArrayList;
import java.util.Enumeration;
import java.util.HashMap;
import java.util.Iterator;
import java.util.List;
import java.util.Map;
import java.util.Set;

import javax.servlet.http.HttpServletRequest;
import javax.servlet.http.HttpSession;

/**
 * url跨域获取数据
 * @author  	: Cuichenglong
 * @group   	: Zhong Hai Ji Yuan
 * @Version 	: 1.00
 * @Date    	: 2014-5-27 下午04:14:26
 */
public final class UrlUtil {

	/**
	 * 根据URL跨域获取输出结果
	 * @Title: getDataFromURL
	 * @param strURL 要访问的URL地址
	 * @param param 参数
 	 * @return 结果字符串
	 * @throws Exception
	 */
	public static String getDataFromURL(String strURL, Map<String, Object> param) throws Exception{
		URL url = new URL(strURL);
		URLConnection conn = url.openConnection();
		conn.setDoOutput(true);	
		conn.setConnectTimeout(5000); //允许5秒钟的延迟：连接主机的超时时间（单位：毫秒）
		conn.setReadTimeout(5000); //允许5秒钟的延迟 ：从主机读取数据的超时时间（单位：毫秒）

		OutputStreamWriter writer = new OutputStreamWriter(conn.getOutputStream());
		final StringBuilder sb = new StringBuilder(param.size() << 4); // 4次方
		final Set<String> keys = param.keySet();
		for (final String key : keys) {
			Object value = param.get(key);
			sb.append(key); // 不能包含特殊字符
			sb.append('=');
			//如果格式为String类型，则进行2次解码、2次编码操作
			if (value instanceof String) // String
			{
//				value = (URLDecoder.decode(URLDecoder.decode((String)value, "utf-8"),
//						"utf-8"));
//				value = (Object)(URLEncoder.encode(URLEncoder.encode((String)value, "utf-8"),
//						"utf-8"));
				value = URLEncoder.encode((String)value, "utf-8");
			}
			sb.append(value);
			sb.append('&');
		}
		// 将最后的 '&' 去掉
		sb.deleteCharAt(sb.length() - 1);
		// writer.write("email=pk3589@163.com&password=123");
		writer.write(sb.toString());
		writer.flush();
		writer.close();

		InputStreamReader reder = new InputStreamReader(conn.getInputStream(), "utf-8");

		BufferedReader breader = new BufferedReader(reder);

		// BufferedWriter w = new BufferedWriter(new FileWriter("d:/1.txt"));

		String content = null;
		String result = null;
		while ((content = breader.readLine()) != null) {
			result += content;
		}
	
		return result;

	}
}

这是一段很简单的代码。是从http://s.visitbeijing.com.cn/flow.php网址中抓取日期的代码。
其实只有2步，第一步是通过java.net.URL后台访问指定网址，并且拿到页面的html源码。第二步从html源码中通过正则表达式，获取日期。这里说一下正则表达式：

Pattern places = Pattern.compile("(<p align=\"center\">)([^\\s]*)");

其中^表示屏蔽，\s表示空格，所以^\\s表示屏蔽空格，这里第一个\是转移字符。*表示匹配多个字符。

通过matcher，获取匹配的值。在一次matcher.find()获取每一次匹配的数据，一个括号对应一个group。如果取matcher.group(1)，则会取到<p align="center">。matcher.group(2)可以取到匹配的值。

了解了这些，我们就可以随意的从某些网址上抓取数据了。有了数据，还有什么可以挡住我们前进的脚步！！！