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”。这里主要使用了Pattern类的compile方法及Matcher类的matches方法。它们的作用如下：

（1）compile（String regex）方法：将指定的正则表达式进行编译。

（2）matches（）方法：判断整个字符序列与模式是否匹配。如果连续用Matcher对象检查多个字符串，可以使用reset方法重置匹配器，放弃其所有显式状态信息并将其添加位置设置为零。

课表正则表达式中使用了组，组在正则表达式中是一个非常重要的概念。组是用括号来划分正则表达式的，可以通过编号来引用组。组号从0开始，有几对小括号就表示有几个组，并且组可以嵌套，组号为0的表示整个表达式，组号为1的表示第一个组，依此类推。例如：A（（B）C）（D）E正则式中有四组：组0是ABCDE，组1是BC，组2是B；组3是C，组4是D。

3 正则表达式在提取课表信息中的应用

下面我们以提取課程节次信息为例，看看正则表达式的灵活应用。

节次信息的正则表达式可写成：String reg = “周（.）第（＼＼d{1，2}），（＼＼d{1，2}）节＼＼{第（＼＼d{1，2}）（＼＼d{1，2}）周＼＼|（（.*周））＼＼}”；

String splitPattern = “

”；//设置课表分隔标记

String[] temp = sub.split（splitPattern）；//将课表信息分离，存在字符串数组中，数组第二个为节次信息

Pattern pattern = Pattern.compile（reg）；

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

matcher.matches（）；

最终得到的课表格式如下图如示：

4 结语

现在流行的开发语言比如C#、VB、Java等等都提供了對正则表达式的直接支持，在很多领域得到了应用，由于正则表达式相对比较抽象，不容易理解，要精通它比较困难，但熟悉一些常用操作，对我们的工作还是有很大的帮助的。

参考文献：

[1]胡军伟.正则表达式在Web信息抽取中的应用.北京信息科技大学学报，2011.

[2]张静.正则表达式及其在信息抽取中的应用.电脑知识与技术，2009.

[3]唐惠丽.正则表达式的研究及在Web中的应用.计算机技术与发展，2013.