java正则表达式和网页爬虫的制作

正则表达式是一种专门用于对字符串的操作的规则。

1.在String类中就有一些方法是对字符串进行匹配，切割。

判断字符串是否与给出的正则表达式匹配的：boolean matches( String regex);

按照给定的正则表达式对字符串进行切割的：String[]    split(String regex);

将符合正则表达式的字符串替换成我们想要的其他字符串：String  replaceAll(String  regex,String replacement)

2.下面介绍一下正则表达式常用的用法

(1)

String regex="[1-9][0-9]{4,15}";
//[1-9]表示这个数字只能在1-9内选择
//[0-9]表示这个数字可以是0-9
//{4，15}表示其前面的这个格式的数字可以重复4-15次

这个正则表达式的意思 是：第一个数字应该是1-9中任意的一个，然后紧接着就必须要出现0-9中的数字中的一种，而且这种数字至少要出现4次，至多出现15次

如：

10175   符合  

10不符合，因为[0-9]{4,15},至少要出现4次以上，在这里只出现了一次

(2)

[a-zA-Z0-9_]{6}表示恰好要出现6次a-z或A-Z或_  中的字符

+表示至少出现一次

*表示出现0次或多次

？表示出现一次或0次

(3)根据正则表达式来切割字符串

String str="sjd.ksdj.skdjf";

String regex="\\.";

注意:  . 在正则表达式中是表式一个任意的字符，是一个特殊的符号。我们想要用.来切割，就必须将其转换为普通字符 用\\即可。

因为\ 也是特殊符号，所以要两个\\来表示。当我们想要使用普通的 \ 时，那么就要用\\\\来表示才可。

String[] ss=str.split(regex); 返回字符串数组： "sjd"  "ksdj"  "skdjf"  实现 了对原有字符串的切割

(4)根据正则表达式来替换掉我们想要替换的东西

将字符串中所有连续出现5个或以上的数字串替换成#

String str="abcd1334546lasjdfldsf2343424sdj";

String regex="[0-9]{5,}";

String   newstr=str.replaceAll(regex,"#");

(5)获取符合正则表达式规则的字符串

Pattern p=Pattern.compile(String regex);

Matcher  m=p.matcher(String str);

while(m.find())

{

System.out.println(m.group());

}

3.网页爬虫的制作

我们制作 一个可以将一个网页中的全部的邮箱读取出，并且存放在一个文本文件中。

/*
网页爬虫
即：从网页中获取符合正则表达式的字符串或内容 

从网络中获取邮箱地址
*/
import java.io.*;
import java.util.regex.*;
import java.net.*;
class  MailTest
{
	public static void main(String[] args) throws Exception
	{
		getMailAddr();
	}

	public static void getMailAddr()throws Exception
	{
		URL url=new URL("http://bbs.csdn.net/topics/390148495");
		URLConnection con=url.openConnection();

		BufferedReader bufIn=new BufferedReader(new InputStreamReader(con.getInputStream()));
		BufferedWriter bufw=new BufferedWriter(new FileWriter(new File("e://mailaddress.txt")));
		String str=null;
		String regex="[a-zA-Z0-9_]{6,12}@[a-zA-Z0-9]+(\\.[a-zA-Z]+)+";
	
		Pattern p=Pattern.compile(regex);
		while((str=bufIn.readLine())!=null)
		{
			Matcher m=p.matcher(str);
			while(m.find())
			{
				String ss=m.group();
				bufw.write(ss,0,ss.length());
				bufw.newLine();
				bufw.flush();
			}
		}


	}
}