本地爬虫

• Pattern：表示正则表达式

• Matcher：文本匹配器，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

  package top.aboss; import java.util.regex.Matcher; import java.util.regex.Pattern; public class Hello { 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. 获取正则表达式对象 Pattern p = Pattern.compile("Java\d{0,2}"); // 2. 获取文本匹配器对象 Matcher m = p.matcher(str); // 3. 利用循环获取 while (m.find()) { String s = m.group(); System.out.println(s); } }

  }

网络爬虫

package top.aboss;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.URL;
import java.net.URLConnection;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class Hello {
public static void main(String[] args) throws IOException {
// 创建URL对象
URL url = new URL("https://www.cnblogs.com/longronglang/p/6429260.html");
// 连接上这个网址
URLConnection conn = url.openConnection();
// 创建对象去读取网络中的数据
BufferedReader br = new BufferedReader(new InputStreamReader(conn.getInputStream()));
    // 获取正则表达式对象pattern
    String regex = "[1-9]\\d{17}";
    Pattern pattern = Pattern.compile(regex);// 在读取的时候每次读一整行

    String line;
    while ((line = br.readLine()) != null) {
        Matcher matcher = pattern.matcher(line);
        while (matcher.find()) {
            System.out.println(matcher.group());
        }
    }

    br.close();
}

}

分组

每组是有组号的，也就是序号。

• 规则1：从1开始，连续不间断
• 规则2：以左括号为基准，最左边的是第一组，其次为第二组，以此类推

捕获分组

就是把这一组的数据捕获出来，再用一次。后续还要继续使用本组的数据，正则内部使用：\组号，正则外部使用：$组号。

package top.aboss;
public class Hello {
public static void main(String[] args) {
// 判断字符串开始和结束是否一致
// \组号 表示把第X组的内容再拿出来用一次
String reg = "(.+).+\1";
System.out.println("a123a".matches(reg));
System.out.println("abc123abc".matches(reg));
    // 判断字符串开始和结束是否一致，并且开始部分每个字符需要一致
    String reg2 = "((.)\\2*).+\\1";
    System.out.println("aaa123aaa".matches(reg2));

    // 口吃替换
    String reg3 = "(.)\\1+";
    System.out.println("我要学学编编编编程程程程程程".replaceAll(reg3, "$1"));
}

}

非捕获分组

分组之后不需要再用本组数据，仅仅是把数据括起来，特点是不占用组号。

package top.aboss;
public class Hello {
public static void main(String[] args) {
// 身份证号码简易正则表达式
String reg = "[1-9]\d{16}(?:\d|X|x)";
System.out.println("41080119930228457x".matches(reg));
}
}

(?:) (?=) (?!)都是非捕获分组，更多的是使用第一个。