そして、リスト全体のページはdiv要素によって下支えされ、「要素を表示する」、それぞれがdivがあります。
前記ヘッダ及びリンクである<DIV CLASS =「post_item」> <クラス=「titlelnk」の下、
公開された、<ahref=和<span class="article_comment">で間。
(2)コンテンツ抽出
構造を知って、次のステップは、内容を抽出する方法です。
- リスト全体のセクションを抽出
この部分は比較的簡単ですが、それの端部のスタートリスト部分を見つけます。
開始ブログパーク最良の部分は次のとおりです。<のdiv ID = "post_list"> 、終了しました。</ div> 。
一般情况下,开始位置比较容易确定,但结束位置这么些用正则表达式在结束标签是div的时候是无法获取内容的。这种情况下要找到结束标签的下一个标签,
比如:
<script>editorPickStat(); aggSite.user.getUserInfo();</script>
1 // 获得网址所在的匹配区域部分 2 3 private static String getContentArea(String urlContent, String strAreaBegin,String strAreaEnd) { 4 5 int pos1 = 0, pos2 = 0; 6 pos1 = urlContent.indexOf(strAreaBegin) + strAreaBegin.length(); 7 pos2 = urlContent.indexOf(strAreaEnd, pos1); 8 return urlContent.substring(pos1, pos2); 9 }
然后通过正则表达式获取一个列表:
1 Pattern pt = Pattern.compile(rb.getRegex()); 2 Matcher mt = pt.matcher(contentArea); 3 4 while (mt.find()) {
-
提取单条记录
方法同提取内容部分差不多,如单条记录的起始标签为<div class="post_item">,结束标签相对来说也比较难确定。
获取单条记录,并去除空格之类的无用字符:
1 String rowContent = mt.group(); 2 3 rowContent = rowContent.replaceAll(rb.getRemoveRegex(), "");
-
提取出标题
取出标题用的是 >.?</a>或者title=.?>,并且要去除空格和多余的字符,需要用到类似:<li>|</li>|(<img)([\s\S]?)(>)|(<div)([\s\S]?)(>)|</div>或者(<table)([\s\S]?)(>)|<tr>|(<td)([\s\S]?)(>)|</td>|</tr>|(<table)([\s\S]*?)(>)之类的。
1 // 获取标题 2 3 Matcher title = Pattern.compile(rb.getTitleRegex()).matcher(rowContent); 6 7 while (title.find()) { 8 9 String s = title.group().replaceAll("||>|</a>|\[.*?\]|</l>",""); 10 11 if(s ==null || s.trim().length()<=0){ 13 s = "error"; 15 } 17 tuBean.setTitle(s); 18 19 }
-
提取出超链接
提取出超链接,需要用到 href=.?target=或者href=.?.> 或者 href=.*?title。要根据实际情况配置。
1 // 获取网址 2 3 Matcher myurl = Pattern.compile(rb.getUrlRegex()).matcher( 4 5 rowContent); 6 7 while (myurl.find()) { 8 9 String u = myurl.group().replaceAll( 10 11 "href=|"|>|target=|_blank|title", ""); 12 13 u = u.replaceAll("'|\\", ""); 14 15 if(u!=null && (u.indexOf("http://")==-1)){ 16 17 tuBean.setUrl(rb.getPrefix() + u); 18 19 }else{ 20 21 tuBean.setUrl(u); 22 23 } 24 25 } 26 27 if(tuBean.getUrl() ==null){ 28 29 tuBean.setUrl("error"); 30 31 }
-
提取出发表时间
不同的时间格式,获取方法是不一样的。这个也是用正则表达式获取:比较常规的
[0-9]{4}-[0-9]{1,2}-[0-9]{1,2}
或者:
[0-9]{4}-[0-9]{2}-[0-9]{1,2}
1 // 获取时间 3 Matcher d = Pattern.compile(rb.getDateRegex()).matcher(rowContent); 5 while (d.find()) { 6 7 tuBean.setDeliveryDate(d.group()); 8 9 }