当前位置：首页 > news >正文

java后端开发day27--常用API（二）正则表达式爬虫

news 来源：原创 2025/5/16 21:00:26

在这里插入图片描述
（以下内容全部来自上述课程）

1.正则表达式（regex）

可以校验字符串是否满足一定的规则，并用来校验数据格式的合法性。

1.作用

校验字符串是否满足规则
在一段文本中查找满足要求的内容

2.内容定义

请添加图片描述
ps：一个[]只能匹配一个字符。
\：转义字符，改变后面那个字符原本的含义
\：前面的\是一个转义字符，改变了后面的\原本的含义，把他变成成一个普普通通的\而已。
简单来记：两个\表示一个

API文档：Pattern会有正则表达式的解释，所以不需要去背。
插件：any-rule:右键可以插入想要的正则表达式：可以删去首尾的^和$符号，再把一个\加为两个\。
补充：（？i）忽略后面字母的大小写
请添加图片描述

2.爬虫

正则表达式的第二个作用：在一段文本中查找满足要求的内容。
分为：本地爬虫和网络爬虫。
Pattern：表示正则表达式。
Matcher：文本匹配器，作用按照正则表达式的规则去读取字符串，从头开始读取。在大串中去找符合匹配规则的子串。

1.本地爬虫

有如下文本，请按要求爬取数据。
Java自从95年问世以来，经历了很多版本，目前企业中用的最多的是Java8和Java11，
因为这两个是长期支持版本，下一个长期支持版本是Java17，相信在未来不久Java17也会逐渐登上历史舞台
要求：找出里面所有的JavaXX

package RegexDemo;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Demo1 {
    /*有如下文本，请按要求爬取数据。
    Java自从95年问世以来，经历了很多版本，目前企业中用的最多的是Java8和Java11，
    因为这两个是长期支持版本，下一个长期支持版本是Java17，相信在未来不久Java17也会逐渐登上历史舞台
    要求：找出里面所有的JavaXX*/
    public static void main(String[] args) {

        String str = "Java自从95年问世以来，经历了很多版本，" +
                "目前企业中用的最多的是Java8和Java11，" +
                "因为这两个是长期支持版本，下一个长期支持版本是Java17，" +
                "相信在未来不久Java17也会逐渐登上历史舞台";

        //method1(str);


        //1.获取正则表达式对象
        Pattern pattern = Pattern.compile("Java\\d{0,2}");
        //2.获取匹配器对象
        //拿着matcher对象去读取str
        Matcher matcher = pattern.matcher(str);
        //3.开始读取
        while(matcher.find()) {
            String s = matcher.group();
            System.out.println(s);
        }
    }

    private static void method1(String str) {
        //获取正则表达式对象
        Pattern pattern = Pattern.compile("Java\\d{0,2}");
        //获取匹配器对象
        //m:文本匹配器的对象
        //str:大串
        //p：规则
        //m要在str中找到符合p规则的小串
        Matcher m = pattern.matcher(str);

        //拿着文本匹配器从头开始读取，寻找是否有满足规则的子串
        //如果没有，返回false
        //如果有，返回true。在底层记录子串的起始索引和结束索引+1
        //0，4
        boolean b = m.find();

        //方法底层会根据find方法记录的索引，从大串中截取子串
        //subString（起始索引，结尾索引）；包含起始索引，不包含结尾索引
        //0，4 [0,4) 不包含4索引
        //会把截取的子串返回
        String s1 = m.group();
        System.out.println(s1);

        //继续寻找
        b = m.find();
        String s2 = m.group();
        System.out.println(s2);
    }
}

2.网络爬虫（了解）

请添加图片描述

3.带条件的爬取

有如下文本，请按要求爬取数据。
Java自从95年问世以来，经历了很多版本，目前企业中用的最多的是Java8和Java11，
因为这两个是长期支持版本，下一个长期支持版本是Java17，相信在未来不久Java17也会逐渐登上历史舞台
需求1：爬取版本号为8，11，17的Java文本，但是只要Java，不显示版本号。
需求2：爬取版本号为8，11，17的Java文本。正确爬取结果为：Java8，Java11，Java17，Java17
需求3：爬取除了版本号为8，11，17的Java文本。

package RegexDemo;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Demo2 {
    /*有如下文本，请按要求爬取数据。
    Java自从95年问世以来，经历了很多版本，目前企业中用的最多的是Java8和Java11，
    因为这两个是长期支持版本，下一个长期支持版本是Java17，相信在未来不久Java17也会逐渐登上历史舞台
    需求1：爬取版本号为8，11，17的Java文本，但是只要Java，不显示版本号。
    需求2：爬取版本号为8，11，17的Java文本。正确爬取结果为：Java8，Java11，Java17，Java17
    需求3：爬取除了版本号为8，11，17的Java文本。*/
    public static void main(String[] args) {
        String str = "Java自从95年问世以来，经历了很多版本，" +
                "目前企业中用的最多的是Java8和Java11，" +
                "因为这两个是长期支持版本，下一个长期支持版本是Java17，" +
                "相信在未来不久Java17也会逐渐登上历史舞台";

        //1.定义正则表达式
        //？理解为前面的数据Java
        //=表示在Java后面要跟随的数据
        //（）但是获取的时候，只获取前半部分
        //需求1：
        String regex1 = "Java(?=8|11|17)";
        //需求2：
        String regex2 = "Java(8|11|17)";
        String regex3 = "Java(?:8|11|17)";
        //需求3：
        String regex4 = "Java(?!8|11|17)";

        Pattern pattern = Pattern.compile(regex4);
        Matcher matcher = pattern.matcher(str);
        while(matcher.find()) {
            System.out.println(matcher.group());
        }
    }
}

4.贪婪爬取和非贪婪爬取

有如下文本，请按要求爬取数据。
Java自从95年问世以来，abbbbbbbbbbbbbbbbbbbbbaaaaaaaaaaaaaa,经历了很多版本，目前企业中用的最多的是Java8和Java11，
因为这两个是长期支持版本，下一个长期支持版本是Java17，相信在未来不久Java17也会逐渐登上历史舞台
需求1：按照ab+的方法爬取ab，b尽可能多获取 --------------贪婪爬取
需求2：按照ab+的方法爬取ab，b尽可能少获取 --------------非贪婪爬取

Java当中，默认的就是贪婪爬取
如果我们在数量词+ *的后面加上问号，就是非贪婪爬取。

package RegexDemo;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Demo3 {
    /*有如下文本，请按要求爬取数据。
    Java自从95年问世以来，abbbbbbbbbbbbbbbbbbbbbaaaaaaaaaaaaaa,
    经历了很多版本，目前企业中用的最多的是Java8和Java11，
    因为这两个是长期支持版本，下一个长期支持版本是Java17，相信在未来不久Java17也会逐渐登上历史舞台
    需求1：按照ab+的方法爬取ab，b尽可能多获取  --------------**贪婪爬取**
    需求2：按照ab+的方法爬取ab，b尽可能少获取  --------------**非贪婪爬取***/
    public static void main(String[] args) {
        String str = "Java自从95年问世以来，abbbbbbbbbbbbbbbbbbbbbaaaaaaaaaaaaaa, " +
                "经历了很多版本，目前企业中用的最多的是Java8和Java11， " +
                "因为这两个是长期支持版本，下一个长期支持版本是Java17，相信在未来不久Java17也会逐渐登上历史舞台";
        String regex1 = "ab+";
        String regex2 = "ab+?";
        Pattern pattern = Pattern.compile(regex1);
        Matcher matcher = pattern.matcher(str);
        while(matcher.find()) {
            System.out.println(matcher.group());
        }
    }
}

3.正则表达式在字符串中的使用

请添加图片描述

4.分组

分组就是个小括号。
请添加图片描述

每组是有组号的，也就是序号。

从1开始，连续不间断。
以左括号为基准，最左边的是第一组，其次为第二组。

1.捕获分组

捕获分组就是把这一组的数据捕获出来，再用一次。
后续还需要使用本组的数据：

正则内部使用：\组号
正则外部使用：$组号

//需求1：
String regex1 = "(.).+\\1";
//需求2：
String regex2 = " (.+).+\\1";
//需求3：
//(.)：把首字母看成一组
//\\2：把首字母拿出来再次使用
//*：作用于\\2，表示后面重复的内容出现0次或多次
String regex3 ="((.)\\2*).+\\1";

将字符串：我要学学编编编编程程程程程程
替换为：我要学编程

package RegexDemo;

public class Demo4 {
    /*将字符串：我要学学编编编编程程程程程程
    替换为：我要学编程*/
    public static void main(String[] args) {
        String str = "我要学学编编编编程程程程程程";
        //(.)表示任意字符
        //\\1表示第一字符再次出现
        //+至少一次
        //$1表示把正则表达式中的第一个分组的内容，再拿出来用
        String s = str.replaceAll("(.)\\1+", "$1");
        System.out.println(s);
    }
}