网页抓取与处理的一些方法

这篇文章主要介绍1些网页抓取及抓取下来的内容处理。

所需要的jar包点击打开链接，我放在百度云盘里。有需要的可以下载，其他的请自行下载。

百度百科对网页抓取的定义，固然本文并没有介绍的那末多，只是介绍对单个页面的抓取，和摹拟提交表单抓取页面，如需深究，请自行baidu or google。

上面的方法直接返回String字符串，只需传入1个链接便可。相信大家都看的懂。

那末获得到的String字符串，我们该怎样处理呢？

我先拿1个网站测试下。就比如这个点击打开链接，这个网站显示了今天在历史上产生了甚么大事件。而我们要抓取的内容只有1部份，比如：历史上今天大事记

或历史上今天去世

这里就对抓取历史上今天大事记做1个介绍。

这里用到了1个extract的方法，也就是对www.rijiben.com获得的的String字符串进行分割，获得到我们需要的信息。

这里的html也就是上面传进去的html。compile里面是正则表达式，它把全部页面分成了5段，那末我们应当如何获得到里面的那1段呢？

group里面的数字就是获得分割后的哪1段。

具体的可以查看这里。

下面介绍如何摹拟提交表单后抓取页面，其实原理与上面大同小异。

相信我上面的图片已很明显的把功能都说明了，后续对表单提交后显示的页面做其他处理就要看你怎样做了。

最后祝大家元旦快乐