Android抓取CSDN首页极客头条内容--网页数据抓取

今天，写了个小代码。抓取首页中的极客头条。效果如图：



分享给新手朋友。

要点：

1. 使用Apache HttpClient库实现GET请求。

2. 异步请求处理。

3. 正则表达式抓取自己需要的数据。

1. 使用Apache HttpClient库实现GET请求。

使用Apache只需简单三步

HttpClient httpClient = new DefaultHttpClient();  //创建一个HttpClient

HttpGet httpGet = new HttpGet(“http://www.csdn.net/”); //创建一个GET请求

HttpResponse response = httpClient.execute(httpGet); //发送GET请求，并响应内容

2. 异步请求处理。

异步请求的实现也很简单，开辟新线程执行请求处理，请求完成通过Handler在主线程处理所获得的数据。具体看代码。

3. 正则表达式抓取自己需要的数据。

这个更简单，我推荐一个工具RegexTester，使用方法在相关文档。

我这里说下，就算你什么正则表达式一点都不知道，你只要知道（.*?）就可以了。它可以让你抓取基本上所有你需要的数据。

".*?"注意是三个字符一起，代表贪婪匹配任意数量的任意字符。可以简单的理解为任何字符。

如"a.*?b"对字符串"eabcd",进行匹配，将找到"abcd"，其中".*?"匹配"bc"。

我们需要抓取的内容一般用"（.*?）"表示，注意这里是包含括号的。这很重要，用括号表示我们要提取的内容。

我们具体分析CSDN首页源代码，下面每步操作都应该在RegexTester测试进行。

很容易找到，我们要抓取内容的毎一条是如下格式。

<li><a title="宇宙员在太空中如何洗澡、睡觉、上厕所？" href="http://geek.csdn.net/news/detail/1478" target="_blank" onclick="LogClickCount(this,363);">宇宙员在太空中如何洗澡、睡觉、上厕所？</a></li>

我们要抓取的内容是标题 和 URL地址。都用（.*?）代替

<li><a title="(.*?)" href="(.*?)" target="_blank" onclick="LogClickCount(this,363);">\1</a></li>

对比上面，我们要抓取的内容都用（.*?）代替，这里“\1 ”是代表第一个（.*?）的内容。他们是重复内容。

同理如果我们用“\2”将代表与第二个括号相同内容。这里我们没有使用。

用工具测试通过，发现没问题，能找出。

再简化，我们删去一些对定位无关紧要的内容，这步简化要测试，保证匹配内容同上。

title="(.*?)" href="(.*?)" target="_blank" onclick="LogClickCount(this,363)

我们发现target="_blank" onclick="LogClickCount(this,在其他地方也有，是不能区分的内容的匹配词，我们用.*?忽略。注意，不用括号，用括号是我们提取的内容。最后我们得到一个特征字串，通过下面特征字串可以在源码众多的字符中，

提取我们要的内容。

title="(.*?)" href="(.*?)".*?363

注意如上内容要在作为代码字符串，要经过一点处理，在每个"引号前加“\"，

"title=\"(.*?)\" href=\"(.*?)\".*?363"

在代码中是一段很短的代码：

Pattern p = Pattern.compile("title=\"(.*?)\" href=\"(.*?)\".*?363");
Matcher m = p.matcher(csdnString); //csdn首页的源代码字符串
while (m.find()) { //循环查找匹配字串
MatchResult mr=m.toMatchResult();
Map<String, Object> map = new HashMap<String, Object>();
map.put("title", mr.group(1));//找到后group(1)是表达式第一个括号的内容
map.put("url", mr.group(2));//group(2)是表达式第二个括号的内容
result.add(map);
}

具体代码如下：

public class MainActivity extends ListActivity {
ListView listview;
Handler handler;
List<Map<String, Object>> data;

final String CSDNURL = "http://www.csdn.net/";

@Override
protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
handler = getHandler();
ThreadStart();
}
/**
* 新开辟线程处理联网操作
* @author Lai Huan
* @created 2013-6-20
*/
private void ThreadStart() {
new Thread() {
public void run() {
Message msg = new Message();
try {
data = getCsdnNetDate();
msg.what = data.size();
} catch (Exception e) {
e.printStackTrace();
msg.what = -1;
}
handler.sendMessage(msg);
}
}.start();
}
/**
* 联网获得数据
* @return 数据
* @author Lai Huan
* @created 2013-6-20
*/
private List<Map<String, Object>> getCsdnNetDate() {
List<Map<String, Object>> result = new ArrayList<Map<String, Object>>();
String csdnString = http_get(CSDNURL);
//<li><a title="(.*?)" href="(.*?)" target="_blank" onclick="LogClickCount\(this,363\);">\1</a></li>
//title="(.*?)" href="(.*?)".*?,363\)
Pattern p = Pattern.compile("title=\"(.*?)\" href=\"(.*?)\".*?363");
Matcher m = p.matcher(csdnString);
while (m.find()) {
MatchResult mr=m.toMatchResult();
Map<String, Object> map = new HashMap<String, Object>();
map.put("title", mr.group(1));
map.put("url", mr.group(2));
result.add(map);
}
return result;
}
/**
* 处理联网结果，显示在listview
* @return
* @author Lai Huan
* @created 2013-6-20
*/
private Handler getHandler() {
return new Handler(){
public void handleMessage(Message msg) {
if (msg.what < 0) {
Toast.makeText(MainActivity.this, "数据获取失败", Toast.LENGTH_SHORT).show();
}else {
initListview();
}
}
};
}
/**
* 在listview里显示数据
* @author Lai Huan
* @created 2013-6-20
*/
private void initListview() {
listview = getListView();
SimpleAdapter adapter = new SimpleAdapter(this, data,
android.R.layout.simple_list_item_1, new String[] { "title"},
new int[] { android.R.id.text1 });
listview.setAdapter(adapter);
listview.setOnItemClickListener(new OnItemClickListener() {
@Override
public void onItemClick(AdapterView<?> arg0, View arg1, int arg2,
long arg3) {
Map<String, Object> map = data.get(arg2);
String url = (String)(map.get("url"));
Intent intent = new Intent(Intent.ACTION_VIEW);
intent .setData(Uri.parse(url));
startActivity(intent);
}
});
}

/**
* get请求URL，失败时尝试三次
* @param url 请求网址
* @return 网页内容的字符串
* @author Lai Huan
* @created 2013-6-20
*/
private String http_get(String url) {
final int RETRY_TIME = 3;
HttpClient httpClient = null;
HttpGet httpGet = null;

String responseBody = "";
int time = 0;
do {
try {
httpClient = getHttpClient();
httpGet = new HttpGet(url);
HttpResponse response = httpClient.execute(httpGet);
if (response.getStatusLine().getStatusCode() == 200) {
//用utf-8编码转化为字符串
byte[] bResult = EntityUtils.toByteArray(response.getEntity());
if (bResult != null) {
responseBody = new String(bResult,"utf-8");
}
}
break;
} catch (IOException e) {
time++;
if (time < RETRY_TIME) {
try {
Thread.sleep(1000);
} catch (InterruptedException e1) {
}
continue;
}
e.printStackTrace();
} finally {
httpClient = null;
}
} while (time < RETRY_TIME);

return responseBody;
}

private  HttpClient getHttpClient() {
HttpParams httpParams = new BasicHttpParams();
//设定连接超时和读取超时时间
HttpConnectionParams.setConnectionTimeout(httpParams, 6000);
HttpConnectionParams.setSoTimeout(httpParams, 30000);
return new DefaultHttpClient(httpParams);
}
}

相关文档：

正则表达式30分钟入门教程 http://www.cnblogs.com/deerchao/archive/2006/08/24/zhengzhe30fengzhongjiaocheng.html