正則表達(dá)式在網(wǎng)頁(yè)課表抓取中的應(yīng)用

申圣兵

現(xiàn)在流行的校園類App如超級(jí)課程表、課程格子等都是以學(xué)生熟悉的課程表作為應(yīng)用的切入點(diǎn)，受到了他們的喜愛(ài)。有些應(yīng)用包含上千所學(xué)校的課表信息，這些學(xué)校的課表信息千差萬(wàn)別，正則表達(dá)式成了一個(gè)識(shí)別和解析它們的有力工具。

課表的信息來(lái)源一般是正方、青果等教務(wù)管理系統(tǒng)，它們一般都是以網(wǎng)頁(yè)形式顯示的，其中典型的網(wǎng)頁(yè)課表源碼格式如下：

計(jì)算機(jī)網(wǎng)絡(luò)（A）

周二第1，2節(jié){第315周|單周}

馮海林（馮海林）

教1609（多媒體）

它們一般包括課程名、星期、節(jié)次、周數(shù)、教師、教室等信息，相關(guān)類別信息以HTML標(biāo)記

分隔，很容易使用JSoup等工具解析出來(lái)，比較復(fù)雜的地方主要是星期、節(jié)次等信息，它們往往是連在一起的，不容易分離，并且格式多樣，因此，使用正則表達(dá)式解析這一部分內(nèi)容成了課表解析的一個(gè)關(guān)鍵。

1 課表節(jié)次的一般格式

下面是一些常見(jiàn)的課表節(jié)次信息格式：

（1）周二第1，2節(jié){第416周}二，1，2，4，16，null

（2）{第210周|3節(jié)/周}null，null，null，2，10，3節(jié)/周

（3）周二第1，2節(jié){第416周|雙周}二，1，2，4，16，雙周

（4）周二第1節(jié){第416周}二，1，null，4，16，null

（5）周二第1節(jié){第416周|雙周}二，1，null，4，16，雙周

這些包括了常見(jiàn)的課表節(jié)次格式，如果和以上的格式不符，那么就要自行修改正則表達(dá)式。

2 正則表達(dá)式的使用方法

現(xiàn)在以Java語(yǔ)言為例介紹正則表達(dá)式在高級(jí)語(yǔ)言中的使用方法。Java從JDK 1.40版本開(kāi)始包含了java.util.regex包，這個(gè)包中包括了兩個(gè)類：Pattern（模式類）和Matcher（匹配器類），一個(gè)Pattern對(duì)象就是一個(gè)正則表達(dá)式經(jīng)編譯后的表現(xiàn)模式，也就是前邊所說(shuō)的“模式編譯器”；一個(gè)Matcher對(duì)象是一個(gè)狀態(tài)機(jī)器，它根據(jù)Pattern對(duì)象作為匹配模式對(duì)字符串展開(kāi)匹配檢查，也就是“模式匹配器”。這里主要使用了Pattern類的compile方法及Matcher類的matches方法。它們的作用如下：

（1）compile（String regex）方法：將指定的正則表達(dá)式進(jìn)行編譯。

（2）matches（）方法：判斷整個(gè)字符序列與模式是否匹配。如果連續(xù)用Matcher對(duì)象檢查多個(gè)字符串，可以使用reset方法重置匹配器，放棄其所有顯式狀態(tài)信息并將其添加位置設(shè)置為零。

課表正則表達(dá)式中使用了組，組在正則表達(dá)式中是一個(gè)非常重要的概念。組是用括號(hào)來(lái)劃分正則表達(dá)式的，可以通過(guò)編號(hào)來(lái)引用組。組號(hào)從0開(kāi)始，有幾對(duì)小括號(hào)就表示有幾個(gè)組，并且組可以嵌套，組號(hào)為0的表示整個(gè)表達(dá)式，組號(hào)為1的表示第一個(gè)組，依此類推。例如：A（（B）C）（D）E正則式中有四組：組0是ABCDE，組1是BC，組2是B；組3是C，組4是D。

3 正則表達(dá)式在提取課表信息中的應(yīng)用

下面我們以提取課程節(jié)次信息為例，看看正則表達(dá)式的靈活應(yīng)用。

節(jié)次信息的正則表達(dá)式可寫成：String reg = “周（.）第（＼＼d{1，2}），（＼＼d{1，2}）節(jié)＼＼{第（＼＼d{1，2}）（＼＼d{1，2}）周＼＼|（（.*周））＼＼}”；

String splitPattern = “

”；//設(shè)置課表分隔標(biāo)記

String[] temp = sub.split（splitPattern）；//將課表信息分離，存在字符串?dāng)?shù)組中，數(shù)組第二個(gè)為節(jié)次信息

Pattern pattern = Pattern.compile（reg）；

Matcher matcher = pattern.matcher（temp[1]）；

matcher.matches（）；

最終得到的課表格式如下圖如示：

4 結(jié)語(yǔ)

現(xiàn)在流行的開(kāi)發(fā)語(yǔ)言比如C#、VB、Java等等都提供了對(duì)正則表達(dá)式的直接支持，在很多領(lǐng)域得到了應(yīng)用，由于正則表達(dá)式相對(duì)比較抽象，不容易理解，要精通它比較困難，但熟悉一些常用操作，對(duì)我們的工作還是有很大的幫助的。

參考文獻(xiàn)：

[1]胡軍偉.正則表達(dá)式在Web信息抽取中的應(yīng)用.北京信息科技大學(xué)學(xué)報(bào)，2011.

[2]張靜.正則表達(dá)式及其在信息抽取中的應(yīng)用.電腦知識(shí)與技術(shù)，2009.

[3]唐惠麗.正則表達(dá)式的研究及在Web中的應(yīng)用.計(jì)算機(jī)技術(shù)與發(fā)展，2013.