JAVA综合面试题：页面的抓取、解析、保存数据库和生成HTML的页面展示

写一个jsp页面，访问时显示从下面的页面提取出的销售商详细信息：价格、运费、经销
商基本信息等，并写到一个数据库表里。
http://www.amazon.com/gp/offer-listing/B0012J52OC/

数据抓取的问题，涉及到
1 用URLConnection 读取页面信息，用httpclient也行
2 用Pattern 解析页面并拿到你要的信息
3 显示数据
4 存入数据库

这个是一个综合的考试，涉及的知识面比较广。

1 我这里只给出关键的部分，使用java程序实现，而不是JSP的代码。移植工作请自行完成。
2 我使用自己的数据库连接，请替换为应用服务器提供的数据源为好
3 代码分三部分，数据库结构，POJO类和应用程序

一、数据库结构 AmazonGoods.sql 使用的是MySQL的数据库

-- ----------------------------
 -- Table structure for amazongoods
 -- ----------------------------
 CREATE TABLE `amazongoods` (
   `id` int(11) NOT NULL AUTO_INCREMENT,
   `price` decimal(10,0) NOT NULL,
   `shipping` decimal(10,0) NOT NULL,
   `Seller` text NOT NULL,
   PRIMARY KEY (`id`)
 ) ENGINE=InnoDB AUTO_INCREMENT=11 DEFAULT CHARSET=utf8;

-- ----------------------------
-- Table structure for amazongoods
-- ----------------------------
CREATE TABLE `amazongoods` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `price` decimal(10,0) NOT NULL,
  `shipping` decimal(10,0) NOT NULL,
  `Seller` text NOT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=11 DEFAULT CHARSET=utf8;

二、POJO类 AmazonGoods.java

package com.laozizhu.test.amazon;

 import java.math.BigDecimal;

 /**
 * 某一行的商品数据
 *
 * @author 老紫竹的家(laozizhu.com)
 *
 */
 class AmazonGoods {
   public long getId() {
     return id;
  }

   public void setId(long id) {
     this.id = id;
  }

   public BigDecimal getPrice() {
     return price;
  }

   public void setPrice(BigDecimal price) {
     this.price = price;
  }

   public BigDecimal getShipping() {
     return shipping;
  }

   public void setShipping(BigDecimal shipping) {
     this.shipping = shipping;
  }

   public String getSeller() {
     return seller;
  }

   public void setSeller(String seller) {
     this.seller = seller;
  }

   // 序列号，主键
   private long id;
   // 价格
   private BigDecimal price;
   // 运费
   private BigDecimal shipping;
   // 商家信息
   private String seller;
}

package com.laozizhu.test.amazon;

import java.math.BigDecimal;

/**
 * 某一行的商品数据
 * 
 * @author 老紫竹的家(laozizhu.com)
 * 
 */
class AmazonGoods {
  public long getId() {
    return id;
  }

  public void setId(long id) {
    this.id = id;
  }

  public BigDecimal getPrice() {
    return price;
  }

  public void setPrice(BigDecimal price) {
    this.price = price;
  }

  public BigDecimal getShipping() {
    return shipping;
  }

  public void setShipping(BigDecimal shipping) {
    this.shipping = shipping;
  }

  public String getSeller() {
    return seller;
  }

  public void setSeller(String seller) {
    this.seller = seller;
  }

  // 序列号，主键
  private long id;
  // 价格
  private BigDecimal price;
  // 运费
  private BigDecimal shipping;
  // 商家信息
  private String seller;
}

三、应用类

package com.laozizhu.test.amazon;

 import java.math.BigDecimal;
 import java.sql.Connection;
 import java.sql.DriverManager;
 import java.sql.PreparedStatement;
 import java.util.ArrayList;
 import java.util.List;
 import java.util.Properties;
 import java.util.regex.Matcher;
 import java.util.regex.Pattern;

 import com.laozizhu.tools.PageService;

 public class AmazonFetch {

   /**
   * @param args
   */
   public static void main(String[] args) {
     // 我这里需要设置代理，如果你能直接访问互联网，则无需这段代码了
    initProxy();

     // 读取页面数据
     String str = PageService.getPage("http://www.amazon.com/gp/offer-listing/B0012J52OC/", "ISO-8859-1");
     // 解析页面，拿到商品信息
    List<AmazonGoods> list = parse(str);
     // 生成HTML表格
    buildTable(list);
     // 存入数据库
    saveToMySQL(list);
  }

   /**
   * 简单的代理服务器，无需密码认证
   */
   private static void initProxy() {
    Properties prop = System.getProperties();
     // prop.put("proxySet", "true");
     // 设置http访问要使用的代理服务器的地址
     prop.setProperty("http.proxyHost", "10.60.8.20");
     // 设置http访问要使用的代理服务器的端口
     prop.setProperty("http.proxyPort", "8080");
  }

   // 注意，美元符号要转义
   // 因为报价都包含小数点，所以用数字+小数点+2位小数即可
   // 商家信息包含了对应的标签
   static Pattern pPrice = Pattern.compile(
       "<span class=\"price\">\\$([\\d]+\\.[\\d]{2})</span>.*?(<ul class=\"sellerInformation\">.+?</ul>)", Pattern.DOTALL);
   // 运费
   // <span class="price_shipping">+ $6.04</span>
   static Pattern pShipping = Pattern
       .compile("<span class=\"price_shipping\">\\+ \\$([\\d]+\\.[\\d]{2})</span>", Pattern.DOTALL);

   /**
   * 解析页面，获得商品列表
   *
   * @param page
   *          页面
   * @return 商品列表
   */
   private static List<AmazonGoods> parse(String page) {
     // 首先，把商品分成多个字符串片段
     // 分割符就是表格里的内容了。这个得查看HTML源代码才能找到合适的
     String[] strs = page.split("<tbody class=\"result\">");
     // 构造结果
     // 默认长度为片段的长度，呵呵
     List<AmazonGoods> list = new ArrayList<AmazonGoods>(strs.length);
     AmazonGoods goods = null;
     // 循环解析每个商品片段
     for (String str : strs) {
       // 注意，不是每个商品都有运费，所以正则最好不要写一个
       // 当然，你愿意弄复杂了也行，我个人不推荐这么做
      Matcher m = pPrice.matcher(str);
       if (m.find()) {
         goods = new AmazonGoods();
         goods.setPrice(new BigDecimal(m.group(1)));
         // 这里面包含了HTML的信息，包括Javascript内容，不过比较难删除
         // 因为有些页面文字是用js显示的，还是保留的比较好
         goods.setSeller(m.group(2));

         // 查找运费
        m = pShipping.matcher(str);
         if (m.find()) {
           goods.setShipping(new BigDecimal(m.group(1)));
        }
         // 将商品加入列表
        list.add(goods);
       } else {
         // 没有找到价格，则这部分不包含商品信息，无需继续
         continue;
      }
    }
     return list;
  }

   private static String buildTable(List<AmazonGoods> list) {
     StringBuilder b = new StringBuilder("<table>");
     b.append("<tr><th>价格</th><th>运费</th><th>商家信息</th></tr>");
     for (AmazonGoods goods : list) {
       b.append("<tr><th>" + goods.getPrice() + "</th><th>" + goods.getShipping() + "</th><th>" + goods.getSeller()
           + "</th></tr>");
    }
     b.append("</table>");
     return b.toString();
  }

   private static void saveToMySQL(List<AmazonGoods> list) {
     // 这里就用最原始的方法获得数据库连接了。
     // 数据库结构请参考AmazonGoods.sql
     // 使用test的数据库
     Connection con = null;
     PreparedStatement st = null;
     String url = "jdbc:mysql://localhost:3306/";
     String db = "test";
     String driver = "com.mysql.jdbc.Driver";
     String user = "test";
     String pass = "test";
     BigDecimal ZERO = new BigDecimal("0");
     try {
      Class.forName(driver);
      con = DriverManager.getConnection(url + db, user, pass);
       st = con.prepareStatement("insert into AmazonGoods (price,shipping,seller) values(?,?,?)");
       for (AmazonGoods goods : list) {
         st.setBigDecimal(1, goods.getPrice());
         st.setBigDecimal(2, goods.getShipping()==null?ZERO:goods.getShipping());
         st.setString(3, goods.getSeller());
         if (st.executeUpdate() <= 0) {
           throw new Exception("保存数据错误!");
        }
        st.clearParameters();
      }

     } catch (Exception ex) {
      ex.printStackTrace();
     } finally {
       if (st != null) {
         try {
          st.close();
         } catch (Exception ex) {
        }
      }
       if (con != null) {
         try {
          con.close();
         } catch (Exception ex) {
        }
      }
    }
  }
}

package com.laozizhu.test.amazon;

import java.math.BigDecimal;
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.util.ArrayList;
import java.util.List;
import java.util.Properties;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

import com.laozizhu.tools.PageService;

public class AmazonFetch {

  /**
   * @param args
   */
  public static void main(String[] args) {
    // 我这里需要设置代理，如果你能直接访问互联网，则无需这段代码了
    initProxy();

    // 读取页面数据
    String str = PageService.getPage("http://www.amazon.com/gp/offer-listing/B0012J52OC/", "ISO-8859-1");
    // 解析页面，拿到商品信息
    List<AmazonGoods> list = parse(str);
    // 生成HTML表格
    buildTable(list);
    // 存入数据库
    saveToMySQL(list);
  }

  /**
   * 简单的代理服务器，无需密码认证
   */
  private static void initProxy() {
    Properties prop = System.getProperties();
    // prop.put("proxySet", "true");
    // 设置http访问要使用的代理服务器的地址
    prop.setProperty("http.proxyHost", "10.60.8.20");
    // 设置http访问要使用的代理服务器的端口
    prop.setProperty("http.proxyPort", "8080");
  }

  // 注意，美元符号要转义
  // 因为报价都包含小数点，所以用数字+小数点+2位小数即可
  // 商家信息包含了对应的标签
  static Pattern pPrice = Pattern.compile(
      "<span class=\"price\">\\$([\\d]+\\.[\\d]{2})</span>.*?(<ul class=\"sellerInformation\">.+?</ul>)", Pattern.DOTALL);
  // 运费
  // <span class="price_shipping">+ $6.04</span>
  static Pattern pShipping = Pattern
      .compile("<span class=\"price_shipping\">\\+ \\$([\\d]+\\.[\\d]{2})</span>", Pattern.DOTALL);

  /**
   * 解析页面，获得商品列表
   * 
   * @param page
   *          页面
   * @return 商品列表
   */
  private static List<AmazonGoods> parse(String page) {
    // 首先，把商品分成多个字符串片段
    // 分割符就是表格里的内容了。这个得查看HTML源代码才能找到合适的
    String[] strs = page.split("<tbody class=\"result\">");
    // 构造结果
    // 默认长度为片段的长度，呵呵
    List<AmazonGoods> list = new ArrayList<AmazonGoods>(strs.length);
    AmazonGoods goods = null;
    // 循环解析每个商品片段
    for (String str : strs) {
      // 注意，不是每个商品都有运费，所以正则最好不要写一个
      // 当然，你愿意弄复杂了也行，我个人不推荐这么做
      Matcher m = pPrice.matcher(str);
      if (m.find()) {
        goods = new AmazonGoods();
        goods.setPrice(new BigDecimal(m.group(1)));
        // 这里面包含了HTML的信息，包括Javascript内容，不过比较难删除
        // 因为有些页面文字是用js显示的，还是保留的比较好
        goods.setSeller(m.group(2));

        // 查找运费
        m = pShipping.matcher(str);
        if (m.find()) {
          goods.setShipping(new BigDecimal(m.group(1)));
        }
        // 将商品加入列表
        list.add(goods);
      } else {
        // 没有找到价格，则这部分不包含商品信息，无需继续
        continue;
      }
    }
    return list;
  }

  private static String buildTable(List<AmazonGoods> list) {
    StringBuilder b = new StringBuilder("<table>");
    b.append("<tr><th>价格</th><th>运费</th><th>商家信息</th></tr>");
    for (AmazonGoods goods : list) {
      b.append("<tr><th>" + goods.getPrice() + "</th><th>" + goods.getShipping() + "</th><th>" + goods.getSeller()
          + "</th></tr>");
    }
    b.append("</table>");
    return b.toString();
  }

  private static void saveToMySQL(List<AmazonGoods> list) {
    // 这里就用最原始的方法获得数据库连接了。
    // 数据库结构请参考AmazonGoods.sql
    // 使用test的数据库
    Connection con = null;
    PreparedStatement st = null;
    String url = "jdbc:mysql://localhost:3306/";
    String db = "test";
    String driver = "com.mysql.jdbc.Driver";
    String user = "test";
    String pass = "test";
    BigDecimal ZERO = new BigDecimal("0");
    try {
      Class.forName(driver);
      con = DriverManager.getConnection(url + db, user, pass);
      st = con.prepareStatement("insert into AmazonGoods (price,shipping,seller) values(?,?,?)");
      for (AmazonGoods goods : list) {
        st.setBigDecimal(1, goods.getPrice());
        st.setBigDecimal(2, goods.getShipping()==null?ZERO:goods.getShipping());
        st.setString(3, goods.getSeller());
        if (st.executeUpdate() <= 0) {
          throw new Exception("保存数据错误!");
        }
        st.clearParameters();
      }

    } catch (Exception ex) {
      ex.printStackTrace();
    } finally {
      if (st != null) {
        try {
          st.close();
        } catch (Exception ex) {
        }
      }
      if (con != null) {
        try {
          con.close();
        } catch (Exception ex) {
        }
      }
    }
  }
}

四、辅助类 PageService.java

package com.laozizhu.tools;

 import java.io.BufferedReader;
 import java.io.FileNotFoundException;
 import java.io.InputStream;
 import java.io.InputStreamReader;
 import java.io.OutputStream;
 import java.net.ConnectException;
 import java.net.HttpURLConnection;
 import java.net.URL;
 import java.util.zip.GZIPInputStream;

 /**
 * 读取URL的文本工具
 *
 * @author 赵学庆 <A href="www.java2000.net" target=_blank>www.java2000.net</A>
 */
 public class PageService {
   private static final String BR = "\r\n";

   /**
   * 读取文本。默认使用UTF-8编码
   *
   * @param page
   *          页面的URL,比如 <A href="http://www.java2000.net" target=_blank>http://www.java2000.net</A>
   * @return 读取到的文本字符串
   */
   public static String getPage(String page) {
     return getPage(page, "UTF-8");
  }

   /**
   * 读取文本
   *
   * @param page
   *          页面的URL,比如 <A href="http://www.java2000.net" target=_blank>http://www.java2000.net</A>
   * @param charset
   *          页面的编码
   * @return 读取到的文本字符串
   */
   public static String getPage(String page, String charset) {
     String str = null;
     int count = 3;
     do {
      str = _getPage(page, charset);
       if (str == null || str.length() == 0) {
         try {
           Thread.sleep(1000);
         } catch (InterruptedException e) {
          e.printStackTrace();
        }
      }
     } while (str == null && count-- > 0);
     return str;
  }

   private static String _getPage(String page, String charset) {
     try {
       URL url = new URL(page);
      HttpURLConnection con = (HttpURLConnection) url.openConnection();
       // 增加了浏览器的类型，就用Firefox好了，也许
      con
          .setRequestProperty(
               "User-Agent",
               "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; Trident/4.0; .NET CLR 1.1.4322; .NET CLR 2.0.50727)");
       int index = page.indexOf("/", 10);
       con.setRequestProperty("Host", index == -1 ? page.substring(7) : page
           .substring(7, index));
      InputStream is = con.getInputStream();
       if (con.getContentEncoding() != null
           && con.getContentEncoding().equalsIgnoreCase("gzip")) {
         is = new GZIPInputStream(con.getInputStream());
      }
       BufferedReader reader = new BufferedReader(new InputStreamReader(is,
          charset));
       StringBuilder b = new StringBuilder();
      String line;
       while ((line = reader.readLine()) != null) {
        b.append(line);
        b.append(BR);
      }
      reader.close();
       return b.toString();
     } catch (FileNotFoundException ex) {
       System.out.println("NOT FOUND:" + page);
       return null;
     } catch (ConnectException ex) {
       System.out.println("Timeout:" + page);
       return null;
     } catch (Exception ex) {
      ex.printStackTrace();
       return null;
    }
  }

   public static String postPage(String page, String msg) throws Exception {
     URL url = new URL(page);
    HttpURLConnection con = (HttpURLConnection) url.openConnection();
     con.setDoOutput(true); // POST方式
    con
        .setRequestProperty(
             "User-Agent",
             "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; Trident/4.0; .NET CLR 1.1.4322; .NET CLR 2.0.50727)");
     int index = page.indexOf("/", 10);
     con.setRequestProperty("Host", index == -1 ? page.substring(7) : page
         .substring(7, index));
     con.setRequestMethod("POST");
     con.addRequestProperty("Content-Type", "application/x-www-form-urlencoded");
     OutputStream os = con.getOutputStream(); // 输出流，写数据
     os.write(msg.getBytes("UTF-8"));
    InputStream is = con.getInputStream();
     if (con.getContentEncoding() != null
         && con.getContentEncoding().equalsIgnoreCase("gzip")) {
       is = new GZIPInputStream(con.getInputStream());
    }
     BufferedReader reader = new BufferedReader(new InputStreamReader(is,
         "UTF-8")); // 读取结果
     StringBuilder b = new StringBuilder();
    String line;
     while ((line = reader.readLine()) != null) {
      b.append(line);
      b.append(BR);
    }
    os.close();
    reader.close();
     return b.toString();
  }
}