如何从网页中抽取需要的信息

marcblue 2010-01-25 03:30:14
想从得到的网页中抽取这个部分的信息，但是不知道如何实现，各位帮帮忙
<table  width="100%" border="0" cellpadding="0" cellspacing="0" class="table01" >

			<tr >

				<td class="td01" width="18%" nowrap="nowrap" td>注册号：</td>

				<td class="td02" width="32%" td>

					110112600222478

				</td>

				<td class="td01" width="18%" td>企业类型：</td>

				<td class="td02" width="32%" td>

					个体（内地）					

				</td>

			</tr>

			<tr >

				<!--

				<td class="td01" width="18%" td>企业分类：</td>

				<td class="td02" width="32%" td>

					个体

				</td>

				-->

				<td class="td01" width="18%" td>主体名称：</td>

				<td class="td02" width="32%" colspan="3" td>

					北京八里桥好运来石材经销部

				</td>

			</tr>	

			<tr >

				<td class="td01" width="18%" nowrap="nowrap" td>法定代表人/负责人：</td>

				<td class="td02" width="32%" td>

					李国军

				</td>

				<td class="td01" width="18%" td>行政区划：</td>

				<td class="td02" width="32%" td>

					通州区

				</td>

			</tr>			

			<tr >

				<td class="td01" width="18%" td>成立日期：</td>

				<td class="td02" width="32%" td>

					2008-06-06

				</td>

				<td class="td01" width="18%" td>注册资本：</td>

				<td class="td02" width="32%" td>

					

					10000

						

						元

			  					

				</td>

			</tr>

			<!-- 如果是企业类型为全民所有或集体所有，则不显示经营期限自和经营期限至 -->

			

			<tr >

			

					<td class="td01" width="18%" td>经营期限自：</td>

					<td class="td02" width="32%" td>

						2008-06-06 					

					</td>

					<td class="td01" width="18%" td>经营期限至：</td>

					<td class="td02" width="32%" td>

						2012-06-05

					</td>

				

			</tr>	

			

			<tr >



				<td class="td01" width="18%" td>登记机关：</td>

				<td class="td02" width="32%" td>

					通州永顺工商所

				</td>

				<td class="td01" width="18%" td>企业状态：</td>

				<td class="td02" width="32%" td>

					开业

				</td>

			</tr>

			<tr >



				<td class="td01" width="18%" td>地址/住所：</td>

				<td class="td02" colspan="3" td>

					北京市通州区八里桥农产品中心批发市场石材1号

				</td>

			</tr>

			<tr >



				<td class="td01" width="18%" td>经营范围：</td>

				<td class="td02" colspan="3" td>

					

					零售石材。

					

				</td>

			</tr>

			<!--

			<tr >



				<td class="td01" width="18%" td>许可经营范围：</td>

				<td class="td02" colspan="3" > </td>

			</tr>

			-->

			<!--注销吊销日期根据企业状态决定是否显示-->

			

			<!--只针对开业的企业显示年检信息-->

			

			<tr >

				

				<td class="td01" width="18%" td>年检年度：</td>

				<td class="td02" width="32%" td>

					2009

				</td>				

				<td class="td01" width="18%" td>年检结果：</td>

				<td class="td02" width="32%" td>

					通过					

				</td>				

			</tr>

			

		</table>
...全文
262 23 打赏 收藏 举报
写回复
用AI写文章
23 条回复
切换为时间正序
请发表友善的回复…
发表回复
marcblue 2010-01-26
  • 打赏
  • 举报
 回复
<table width="100%" border="0" cellpadding="0" cellspacing="0" class="table01" ></table>
匹配这个标签里的内容得正则怎么写啊
windgh 2010-01-26
  • 打赏
  • 举报
 回复
<table.*</table>吧
marcblue 2010-01-26
  • 打赏
  • 举报
 回复
[Quote=引用 20 楼 windgh 的回复:]
匹配到的第几块数据吧，表达式可以被()分成几个部分
如下面的表达式
abc(1)de(2)f
执行后abc1de2f会被match出来，group()/group(0)表示整个，group(1)表示1，group(2)表示2
类推
那个index就是group(index)
[/Quote]
噢明白了，另外要是匹配<table></table>标签里的内容得正则应该怎么写，我写了几个都不正确啊
windgh 2010-01-26
  • 打赏
  • 举报
 回复
匹配到的第几块数据吧，表达式可以被()分成几个部分
如下面的表达式
abc(1)de(2)f
执行后abc1de2f会被match出来，group()/group(0)表示整个，group(1)表示1，group(2)表示2
类推
那个index就是group(index)
marcblue 2010-01-26
  • 打赏
  • 举报
 回复
[Quote=引用 14 楼 zhangkai08111 的回复:]
1.使用 org.apache.oro.text.regex
Java code/**
* 按正则和组下标匹配数据
*
*@param content
*@param regx
*@param index
*@return
*@throws MalformedPatternException*/publicstatic String getMatchString(String content, String regx,int index)throws MalformedPatternException {
PatternCompiler orocom=new Perl5Compiler();
Pattern pattern1= orocom.compile(regx);
PatternMatcher matcher=new Perl5Matcher();
String sentence="";if (matcher.contains(content, pattern1)) {
MatchResult result= matcher.getMatch();
sentence= result.group(index);
}return sentence;
}

Java code
用法：getMatchString(html内容,"<table width="100%" border="0" cellpadding="0" cellspacing="0" class="table01" >(*.?)</table>", int index)
2.使用html parser。。
3.xml
[/Quote]
public static String getMatchString(String content, String regx, int index) throws MalformedPatternException {}
int index代表什么？
crazylaa 2010-01-25
  • 打赏
  • 举报
 回复
正则。或html parser
windgh 2010-01-25
  • 打赏
  • 举报
 回复
<td[^>]*>企业类型[^<]*</td><td[^>]*>([^<]*)</td>
这个正则表达式可以取企业类型的值，用java的matcher.group(1)可以取到
其余的类型类推
windgh 2010-01-25
  • 打赏
  • 举报
 回复
用xml解析要小心格式问题
html容错性是很强的，哪里少个闭标签，弄不好你就得痛不欲生，嘿嘿
用正则会好点
kernll 2010-01-25
  • 打赏
  • 举报
 回复
对就是要用xml解析。要不就太麻烦了
小爽昵称已被占用 2010-01-25
  • 打赏
  • 举报
 回复
1.使用 org.apache.oro.text.regex




	/**

	 * 按正则和组下标匹配数据

	 * 

	 * @param content

	 * @param regx

	 * @param index

	 * @return

	 * @throws MalformedPatternException

	 */

	public static String getMatchString(String content, String regx, int index) throws MalformedPatternException {

		PatternCompiler orocom = new Perl5Compiler();

		Pattern pattern1 = orocom.compile(regx);

		PatternMatcher matcher = new Perl5Matcher();

		String sentence = "";

		if (matcher.contains(content, pattern1)) {

			MatchResult result = matcher.getMatch();

			sentence = result.group(index);

		}

		return sentence;   

	}








用法：getMatchString(html内容, "<table  width="100%" border="0" cellpadding="0" cellspacing="0" class="table01" >

(*.?)</table>", int index)

2.使用html parser。。
3.xml
小爽昵称已被占用 2010-01-25
  • 打赏
  • 举报
 回复
给你找找以前的爬虫。。。
marcblue 2010-01-25
  • 打赏
  • 举报
 回复
[Quote=引用 10 楼 phyerbarte 的回复:]
估计就是个爬虫啊什么的，分析别人网站里的数据，不能够读别人数据库，只能从别人的网页里抓东西分析，然后插自己库。。。
这种东西，一般貌似就是正则，要么就是当XML解析吧。
[/Quote]
恩对就是这个意思，我现在就想把得到的html先变成xml，然后再用正则去掉没用的东西
luanhongyan 2010-01-25
  • 打赏
  • 举报
 回复
网页外挂！
phyerbarte 2010-01-25
  • 打赏
  • 举报
 回复
估计就是个爬虫啊什么的，分析别人网站里的数据，不能够读别人数据库，只能从别人的网页里抓东西分析，然后插自己库。。。
这种东西，一般貌似就是正则，要么就是当XML解析吧。
kkkkkkkkkk21312 2010-01-25
  • 打赏
  • 举报
 回复
继续顶吧，希望楼主说明点，到底要怎样
小一郎 2010-01-25
  • 打赏
  • 举报
 回复
用正则表达式或者直接用字符串匹配
pwl2014 2010-01-25
  • 打赏
  • 举报
 回复
使用 html parser
霜之哀伤 2010-01-25
  • 打赏
  • 举报
 回复
后台？为什么不直接读数据库

如果html比较标准的话，直接当xml读就行了。
marcblue 2010-01-25
  • 打赏
  • 举报
 回复
恩这个是要在后台完成的，应该是要用正则表达式从里面抽取出企业名称和企业类型什么的，但是我对正则表达式不太精通。。。
kkkkkkkkkk21312 2010-01-25
  • 打赏
  • 举报
 回复
-----加上point.js脚本
<script language="JavaScript" src="../../jscss/point.js"></script>
-----调用js脚本中的方法
<input type="button" name="button" value="摘取" id="Submit" onClick="doPrint();" />
------添加你摘取的内容在<div>中
<div id="doctitle">
你的内容
</div>

-----------point.js内容

function doPrint() {
var newWin = window.open('about:blank','1111','height=350,width=800,top=230,left=280,toolbar=no,menubar=yes,scrollbars=yes, resizable=no,location=no, status=no');
var titleHTML = document.getElementById("doctitle").innerHTML;
newWin.document.write(titleHTML);
newWin.document.location.reload();
//newWin.portrait = false ;
//newWin.leftMargin = 1.0 ;
//newWin.topMargin = 1.0 ;
//newWin.rightMargin = 1.0 ;
//newWin.bottomMargin = 1.0 ;
//newWin.print();
//newWin.close();
}
-------------
通过测试完全可用
加载更多回复（3）
新闻网页信息抽取
本文围绕新闻网页信息抽取展开，介绍了对新闻网页提取结构化信息的问题定义与动机，阐述了网页信息抽取的主要方法。重点探讨新闻发布时间抽取，对比基于GDELT事件时间、网页元数据等几类时间的准确性，给出综合抽取策略，还指出元数据不规范问题及大模型辅助抽取的权衡。
抽取网页信息
本文介绍了一种使用Java正则表达式从网页中抽取特定信息的方法，并利用DOM4J将提取的数据转换为XML格式。该方法首先通过全局模式定位到目标信息区域，再细化提取具体数据项。
Java抽取网页信息
本文介绍了一种使用正则表达式及字符串操作从网页中抽取信息的方法。具体包括去除script标签、注释和HTML标签等内容，同时提供了根据指定的起始和结束位置截取字符串的功能。这些技术对于进行网页爬虫和内容解析非常有用。
FreeDOM —— 一个可迁移的网页信息抽取模型
FreeDOM是一个用于信息抽取的模型，旨在从不同领域的网站中自动抽取结构化信息，仅需少量初始标注数据。该模型通过学习DOM Tree的local feature和node之间的dependency，实现了在未标注网站上的扩展。在SWDE数据集上，FreeDOM表现出优越的性能，且不需要网页渲染，降低了计算成本。
UCI网页信息抽取技术
UCI网页信息抽取技术是一种适用于亿级网页的智能信息提取技术，操作人员仅需标识提取内容，技术特点包括操作便捷、准确率高及维护简单等。该技术可广泛应用于互联网信息整合和搜索引擎的数据抓取。
Java SE

62,620

社区成员

307,251

社区内容

发帖
与我相关
我的任务
社区描述
Java 2 Standard Edition
社区管理员
  • Java SE
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章