7C00.ME/houmu 2013-02-26

Scala网页内容抓取

初学Scala,写个简单的抓取作为练手。

网页内容的抓取使用了Scala标准库的Source,网页内容的提取使用了正则表达式。中间练习了集合类的一些操作和文件读写操作,对正则表达式也重温了一下,特别是跨行匹配(多行匹配)研究了一些时间。提取后的文本写在了文件中。在Ubuntu 10.04 和 Scala 2.10.0 下运行成功。

代码如下:


import java.io._

def getIndex() = {
    val indexSource = scala.io.Source.fromURL("http://www.yifan100.com/dir/15136/").mkString
    val indexRegex = """<a target="_blank" href="(.+\.html)" title=".+" >(.+)</a>""".r
    (List[(String, String)]() /: indexRegex.findAllMatchIn(indexSource).toList) { (result, item) =>
        ("http://www.yifan100.com" + (item group 1), item group 2) :: result
    } // return List[(url:String, title:String)]
}

def getContent(url:String) = {
    val raw = scala.io.Source.fromURL(url).mkString
    val reg = """(?s).*<div class="artcontent">(.*)<div id="zhanwei">.*""".r
    (reg findFirstMatchIn raw).map[String](item => {
            val s = (item group 1).replaceAll("<br>", "\r\n").
                replaceAll("""(?s)</?.*?>""", "").
                replaceAll("""^\s+""", "").
                replaceAll(" ", " ")
            s
        }
    ) // return Option[String]
}

def writeContent(content:Option[String], title:String) {
    if(content.isEmpty)
        println("Not write " + title + ".txt")
    else {
        val writer = new PrintWriter(new File(title + ".txt"))
        writer write content.get
        writer.close()
        println("Write " + title + ".txt")
    }
}

def getIt() {
    getIndex().foreach(item => writeContent(getContent(item._1), item._2))
}

getIt()