正则表达式在网页课表抓取中的应用

申圣兵

现在流行的校园类App如超级课程表、课程格子等都是以学生熟悉的课程表作为应用的切入点，受到了他们的喜爱。有些应用包含上千所学校的课表信息，这些学校的课表信息千差万别，正则表达式成了一个识别和解析它们的有力工具。

课表的信息来源一般是正方、青果等教务管理系统，它们一般都是以网页形式显示的，其中典型的网页课表源码格式如下：

计算机网络（A）

周二第1，2节{第315周|单周}

冯海林（冯海林）

教1609（多媒体）

它们一般包括课程名、星期、节次、周数、教师、教室等信息，相关类别信息以HTML标记

分隔，很容易使用JSoup等工具解析出来，比较复杂的地方主要是星期、节次等信息，它们往往是连在一起的，不容易分离，并且格式多样，因此，使用正则表达式解析这一部分内容成了课表解析的一个关键。

1 课表节次的一般格式

下面是一些常见的课表节次信息格式：

（1）周二第1，2节{第416周}二，1，2，4，16，null

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

（3）周二第1，2节{第416周|双周}二，1，2，4，16，双周

（4）周二第1节{第416周}二，1，null，4，16，null

（5）周二第1节{第416周|双周}二，1，null，4，16，双周

这些包括了常见的课表节次格式，如果和以上的格式不符，那么就要自行修改正则表达式。

2 正则表达式的使用方法

现在以Java语言为例介绍正则表达式在高级语言中的使用方法。Java从JDK 1.40版本开始包含了java.util.regex包，这个包中包括了两个类：Pattern（模式类）和Matcher（匹配器类），一个Pattern对象就是一个正则表达式经编译后的表现模式，也就是前边所说的“模式编译器”；一个Matcher对象是一个状态机器，它根据Pattern对象作为匹配模式对字符串展开匹配检查，也就是“模式匹配器”。……