java爬蟲預熱之正則表達式（爬蟲 正則表達式）

本文目錄一覽：

• 1、java正則表達式
• 2、java 正則表達式 小錯誤
• 3、關於java的正則表達
• 4、java爬蟲抓取指定數據

java正則表達式

String reg=”\d(%2c\d+){2}”;

這個應該可，實在沒明白你的具體意思，前半段不用匹配嗎？

你是想用爬蟲爬京東上的內容？

java 正則表達式 小錯誤

1 \\” 轉義成 ” 2 (小數點)”.” 表示任意字元 3 * 表示零個或多個。

\\”titlelnk\\” 也就是匹配名為： “titleInk”

(.*)表示意思是： 任意數量的字元(0個或無限多個字元)

舉個匹配的例子

a class=”titlelnk” href=”” target=”_blank”點擊登錄百度/a

a class=”titlelnk” href=”這裡是鏈接地址abasd” target=”_blank”@#$點擊這裡就登錄連接地址ooo/a

以上兩種情況都是匹配的

關於java的正則表達

問題說得不清楚 具體用什麼技術實現啊，對比的要求是什麼 先貼個教程 你可以先看下

正則表達式

“^\\d+$” //非負整數（正整數 + 0）

“^[0-9]*[1-9][0-9]*$” //正整數

“^((-\\d+)|(0+))$” //非正整數（負整數 + 0）

“^-[0-9]*[1-9][0-9]*$” //負整數

“^-?\\d+$” //整數

“^\\d+(\\.\\d+)?$” //非負浮點數（正浮點數 + 0）

“^(([0-9]+\\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\\.[0-9]+)|([0-9]*[1-9][0-9]*))$” //正浮點數

“^((-\\d+(\\.\\d+)?)|(0+(\\.0+)?))$” //非正浮點數（負浮點數 + 0）

“^(-(([0-9]+\\.[0-9]*[1-9][0-9]*)|([0-9]*[1-9][0-9]*\\.[0-9]+)|([0-9]*[1-9][0-9]*)))$” //負浮點數

“^(-?\\d+)(\\.\\d+)?$” //浮點數

“^[A-Za-z]+$” //由26個英文字母組成的字元串

“^[A-Z]+$” //由26個英文字母的大寫組成的字元串

“^[a-z]+$” //由26個英文字母的小寫組成的字元串

“^[A-Za-z0-9]+$” //由數字和26個英文字母組成的字元串

“^\\w+$” //由數字、26個英文字母或者下劃線組成的字元串

“^[\\w-]+(\\.[\\w-]+)*@[\\w-]+(\\.[\\w-]+)+$” //email地址

“^[a-zA-z]+://(\\w+(-\\w+)*)(\\.(\\w+(-\\w+)*))*(\\?\\S*)?$” //url

“^[A-Za-z0-9_]*$”

正則表達式使用詳解

簡介

簡單的說，正則表達式是一種可以用於模式匹配和替換的強有力的工具。其作用如下：

測試字元串的某個模式。例如，可以對一個輸入字元串進行測試，看在該字元串是否存在一個電話號碼模式或一個信用卡號碼模式。這稱為數據有效性驗證。

替換文本。可以在文檔中使用一個正則表達式來標識特定文字，然後可以全部將其刪除，或者替換為別的文字。

根據模式匹配從字元串中提取一個子字元串。可以用來在文本或輸入欄位中查找特定文字。

基本語法

在對正則表達式的功能和作用有了初步的了解之後，我們就來具體看一下正則表達式的語法格式。

正則表達式的形式一般如下：

/love/ 其中位於「/」定界符之間的部分就是將要在目標對象中進行匹配的模式。用戶只要把希望查找匹配對象的模式內容放入「/」定界符之間即可。為了能夠使用戶更加靈活的定製模式內容，正則表達式提供了專門的「元字元」。所謂元字元就是指那些在正則表達式中具有特殊意義的專用字元，可以用來規定其前導字元（即位於元字元前面的字元）在目標對象中的出現模式。

較為常用的元字元包括： 「+」， 「*」，以及 「?」。

「+」元字元規定其前導字元必須在目標對象中連續出現一次或多次。

「*」元字元規定其前導字元必須在目標對象中出現零次或連續多次。

「?」元字元規定其前導對象必須在目標對象中連續出現零次或一次。

下面，就讓我們來看一下正則表達式元字元的具體應用。

/fo+/ 因為上述正則表達式中包含「+」元字元，表示可以與目標對象中的 「fool」, 「fo」, 或者 「football」等在字母f後面連續出現一個或多個字母o的字元串相匹配。

/eg*/ 因為上述正則表達式中包含「*」元字元，表示可以與目標對象中的 「easy」, 「ego」, 或者 「egg」等在字母e後面連續出現零個或多個字母g的字元串相匹配。

/Wil?/ 因為上述正則表達式中包含「？」元字元，表示可以與目標對象中的 「Win」, 或者「Wilson」,等在字母i後面連續出現零個或一個字母l的字元串相匹配。

有時候不知道要匹配多少字元。為了能適應這種不確定性，正則表達式支持限定符的概念。這些限定符可以指定正則表達式的一個給定組件必須要出現多少次才能滿足匹配。

{n} n 是一個非負整數。匹配確定的 n 次。例如，’o{2}’ 不能匹配 “Bob” 中的 ‘o’，但是能匹配 “food” 中的兩個 o。

{n,} n 是一個非負整數。至少匹配 n 次。例如，’o{2,}’ 不能匹配 “Bob” 中的 ‘o’，但能匹配 “foooood” 中的所有 o。’o{1,}’ 等價於 ‘o+’。’o{0,}’ 則等價於 ‘o*’。

{n,m} m 和 n 均為非負整數，其中n = m。最少匹配 n 次且最多匹配 m 次。例如，”o{1,3}” 將匹配 “fooooood” 中的前三個 o。’o{0,1}’ 等價於 ‘o?’。請注意在逗號和兩個數之間不能有空格。

除了元字元之外，用戶還可以精確指定模式在匹配對象中出現的頻率。例如，/jim {2,6}/ 上述正則表達式規定字元m可以在匹配對象中連續出現2-6次，因此，上述正則表達式可以同jimmy或jimmmmmy等字元串相匹配。

在對如何使用正則表達式有了初步了解之後，我們來看一下其它幾個重要的元字元的使用方式。

\s：用於匹配單個空格符，包括tab鍵和換行符；

\S：用於匹配除單個空格符之外的所有字元；

\d：用於匹配從0到9的數字；

\w：用於匹配字母，數字或下劃線字元；

\W：用於匹配所有與\w不匹配的字元；

. ：用於匹配除換行符之外的所有字元。

（說明：我們可以把\s和\S以及\w和\W看作互為逆運算）

下面，我們就通過實例看一下如何在正則表達式中使用上述元字元。

/\s+/ 上述正則表達式可以用於匹配目標對象中的一個或多個空格字元。

/\d000/ 如果我們手中有一份複雜的財務報表，那麼我們可以通過上述正則表達式輕而易舉的查找到所有總額達千元的款項。

除了我們以上所介紹的元字元之外，正則表達式中還具有另外一種較為獨特的專用字元，即定位符。定位符用於規定匹配模式在目標對象中的出現位置。 較為常用的定位符包括： 「^」, 「$」, 「\b」 以及 「\B」。

「^」定位符規定匹配模式必須出現在目標字元串的開頭

「$」定位符規定匹配模式必須出現在目標對象的結尾

「\b」定位符規定匹配模式必須出現在目標字元串的開頭或結尾的兩個邊界之一

「\B」定位符則規定匹配對象必須位於目標字元串的開頭和結尾兩個邊界之內，即匹配對象既不能作為目標字元串的開頭，也不能作為目標字元串的結尾。同樣，我們也可以把「^」和「$」以及「\b」和「\B」看作是互為逆運算的兩組定位符。舉例來說： /^hell/ 因為上述正則表達式中包含「^」定位符，所以可以與目標對象中以 「hell」, 「hello」或「hellhound」開頭的字元串相匹配。 /ar$/ 因為上述正則表達式中包含「$」定位符，所以可以與目標對象中以 「car」, 「bar」或 「ar」 結尾的字元串相匹配。 /\bbom/ 因為上述正則表達式模式以「\b」定位符開頭，所以可以與目標對象中以 「bomb」, 或 「bom」開頭的字元串相匹配。/man\b/ 因為上述正則表達式模式以「\b」定位符結尾，所以可以與目標對象中以 「human」, 「woman」或 「man」結尾的字元串相匹配。

為了能夠方便用戶更加靈活的設定匹配模式，正則表達式允許使用者在匹配模式中指定某一個範圍而不局限於具體的字元。例如：

/[A-Z]/ 上述正則表達式將會與從A到Z範圍內任何一個大寫字母相匹配。

/[a-z]/ 上述正則表達式將會與從a到z範圍內任何一個小寫字母相匹配。

/[0-9]/ 上述正則表達式將會與從0到9範圍內任何一個數字相匹配。

/([a-z][A-Z][0-9])+/ 上述正則表達式將會與任何由字母和數字組成的字元串，如 「aB0」 等相匹配。這裡需要提醒用戶注意的一點就是可以在正則表達式中使用 「()」 把字元串組合在一起。「()」符號包含的內容必須同時出現在目標對象中。因此，上述正則表達式將無法與諸如 「abc」等的字元串匹配，因為「abc」中的最後一個字元為字母而非數字。

如果我們希望在正則表達式中實現類似編程邏輯中的「或」運算，在多個不同的模式中任選一個進行匹配的話，可以使用管道符 「|」。例如：/to|too|2/ 上述正則表達式將會與目標對象中的 「to」, 「too」, 或 「2」 相匹配。

正則表達式中還有一個較為常用的運算符，即否定符 「[^]」。與我們前文所介紹的定位符 「^」 不同，否定符 「[^]」規定目標對象中不能存在模式中所規定的字元串。例如：/[^A-C]/ 上述字元串將會與目標對象中除A，B，和C之外的任何字元相匹配。一般來說，當「^」出現在 「[]」內時就被視做否定運算符；而當「^」位於「[]」之外，或沒有「[]」時，則應當被視做定位符。

最後，當用戶需要在正則表達式的模式中加入元字元，並查找其匹配對象時，可以使用轉義符「\」。例如：/Th\*/ 上述正則表達式將會與目標對象中的「Th*」而非「The」等相匹配。

在構造正則表達式之後，就可以象數學表達式一樣來求值，也就是說，可以從左至右並按照一個優先順序順序來求值。優先順序如下：

1．\ 轉義符

2．(), (?=), [] 圓括弧和方括弧

3．*, +, ?, {n}, {n,}, {n,m} 限定符

4．^, $, \anymetacharacter 位置和順序

5．|「或」操作

java爬蟲抓取指定數據

根據java網路編程相關的內容，使用jdk提供的相關類可以得到url對應網頁的html頁面代碼。

針對得到的html代碼，通過使用正則表達式即可得到我們想要的內容。

比如，我們如果想得到一個網頁上所有包括「java」關鍵字的文本內容，就可以逐行對網頁代碼進行正則表達式的匹配。最後達到去除html標籤和不相關的內容，只得到包括「java」這個關鍵字的內容的效果。

從網頁上爬取圖片的流程和爬取內容的流程基本相同，但是爬取圖片的步驟會多一步。

需要先用img標籤的正則表達式匹配獲取到img標籤，再用src屬性的正則表達式獲取這個img標籤中的src屬性的圖片url，然後再通過緩衝輸入流對象讀取到這個圖片url的圖片信息，配合文件輸出流將讀到的圖片信息寫入到本地即可。