【毕设资料】Web版RSS阅读器（四）——定制自己的Rss解析库myrsslib4j

在上篇博文《Web版RSS阅读器（三）——解析在线Rss订阅》中，已经提到了遇到的问题，这里再详细说一下。

在解析rss格式的订阅时，遇到的最主要的问题是，出现了“Server returned HTTP response code: 403 for URL: http://xxxxxx”的错误， href="http://www.baidu.com/s?wd=Server+returned+HTTP+response+code%3A+403+for+URL" target=_blank>百度一下就知道，这是在网站访问中很常见的一个错误，服务器理解客户的请求，但拒绝处理它。即拒绝访问！接着查资料，得知某些服务器（比如CSDN博客）拒绝java作为客户端进行对其的访问，所以在解析时，会抛异常。

不让访问怎么办，别怕，我们上有政策，下有对策。通过设置User-Agent来欺骗服务器，从而访问服务器。

connection.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");    //用UA伪装访问连接对象

但是折腾了半天，发现只有修改rsslib4j.jar才能给连接对象设置UA。只好找源码修改一下了，N久之后，在Google Code上猎取到一个开源的项目newrsslib4j，它是在rsslib4j的基础上修改而来的，项目开源主页：http://code.google.com/p/newrsslib4j/。满怀欣喜的下载下来，结果发现，依旧有403的问题。一狠心，自己来做一个rsslib，然后就checkout了newrsslib4j的源码，自己动手改动。

1. 修改403 forbidden问题。

修改org.gnu.stealthp.rsslib包中的RssParser类的setXmlResource()方法，给URLConnection对象，添加UA。

/**
* Set rss resource by URL
* @param ur the remote url
* @throws RSSException
*/
public void setXmlResource(URL ur) throws RSSException{
try{

URLConnection con = u.openConnection();

//-----------------------------
//添加时间：2013-08-14 21:00:17
//人员：@龙轩
//博客：http://blog.csdn.net/xiaoxian8023
//添加内容：由于服务器屏蔽java作为客户端访问rss，所以设置User-Agent
con.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");
//-----------------------------

con.setReadTimeout(10000);
String charset = Charset.guess(ur);
is = new InputSource (new UnicodeReader(con.getInputStream(),charset));
if (con.getContentLength() == -1 && is == null){
this.fixZeroLength();
}
}catch(IOException e){
throw new RSSException("RSSParser::setXmlResource fails: "+e.getMessage());
}
}

修改org.mozilla.intl.chardet包中的Charset类的guess()方法，注释掉原来的InputStream对象，创建URLConnection，设置User-Agent，通过URLConnection对象创建InputStream :

//judge from url
public static String guess(URL url) throws IOException {

//-----------------------------
//修改时间：2013-08-14 21:00:17
//人员：@龙轩
//博客：http://blog.csdn.net/xiaoxian8023
//修改内容：注释InputStream，创建URLConnection，设置User-Agent，通过URLConnection对象创建InputStream

//InputStream in = url.openStream();
URLConnection con = url.openConnection();
con.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");
InputStream in = con.getInputStream();
//-----------------------------

return guess(in);
}

2. 添加获取文章摘要的方法

测试以后，发现Rss格式的订阅，居然没有提供一个获取内容摘要的方法。所以，继续修改。修改org.gnu.stealthp.rsslib包中的RssObject类，添加一个getSummary()方法，用来获取内容摘要：

//-----------------------------------
//添加时间：2013-08-14 19:32:15
//人员：@龙轩
//添加内容：添加getSummary()方法，返回文章摘要信息
/**
* Get the element's summary
* @return the summary
*/
public String getSummary(){

String summary = getDescription();
if (summary.length() >= 300) {
summary = summary.substring(0, 300);
}

String regEx_html = "\\s|<[^>]+>|&\\w{1,5};"; // 定义HTML标签和特殊字符的正则表达式

Pattern pattern = Pattern.compile(regEx_html,Pattern.CASE_INSENSITIVE);
Matcher matcher = pattern.matcher(summary);
summary = matcher.replaceAll(""); // 过滤script标签

if (summary.length() >= 100) {
summary = summary.substring(0, 100);
}
summary = summary + "...";

return summary;
}
//添加结束-----------------------------------------------

3. 解决解析不完全问题

网易博客可以很好的解析出博客的link，language等节点，但是csdn、某些新闻资讯网站则不行。花了很长的时间去找问题，终于在不经意间，发现网易的博客节点的排列顺序与别的不一样，link，language等节点排在image节点上面的，而csdn则是在image的下面（如图），程序在解析时，先解析channel下的节点，写入到channel中，读取到image，则标记解析channel的变量为false，然后开始解析image节点下的内容。解析完毕以后，又要去解析channel节点下的link时，channel标记已经为false了，不能再继续解析，所以总是返回null。





修改方案也很简单，就是所有标记解析channel为false的节点，在解析完毕该节点后，重新标记解析channel为true，这样就可以继续解析channel节点下的其他值 。具体修改操作：查看org.gnu.stealthp.rsslib包的RSSHandler类的startElement()方法，看看谁执行了 reading_chan = false; 这句代码。然后在endElement()方法中，重新设置 reading_chan
= true; 即可：

/**
* Receive notification of the end of an element
* @param uri The Namespace URI, or the empty string if the element has no Namespace URI or if Namespace processing is not being performed.
* @param localName The local name (without prefix), or the empty string if Namespace processing is not being performed
* @param qName The qualified name (with prefix), or the empty string if qualified names are not available
*/
public void endElement(String uri,
String localName,
String qName){

String data = buff.toString().trim();

if (qName.equals(current_tag)){
data = buff.toString().trim();
buff = new StringBuffer();
}

if (reading_chan)
processChannel(qName,data);

if (reading_item)
processItem(qName,data);

if (reading_image)
processImage(qName,data);

if (reading_input)
processTextInput(qName,data);

if (tagIsEqual(qName,CHANNEL_TAG)){
reading_chan = false;
chan.setSyndicationModule(sy);
}

if (tagIsEqual(qName,ITEM_TAG)){
reading_item = false;
//-----------------------------------------
//添加时间：2013-08-14 21:00:17
//人员：@龙轩
//博客：http://blog.csdn.net/xiaoxian8023
//添加内容：重新允许解析channel
reading_chan = true;
//添加结束---------------------------------
chan.addItem(itm);
}

if (tagIsEqual(qName,IMAGE_TAG)){
reading_image = false;
//-----------------------------------------
//添加时间：2013-08-14 21:00:17
//人员：@龙轩
//博客：http://blog.csdn.net/xiaoxian8023
//添加内容：重新允许解析channel
reading_chan = true;
//添加结束---------------------------------
chan.setRSSImage(img);
}

if (tagIsEqual(qName,SEQ_TAG)){
reading_seq = false;
chan.addRSSSequence(seq);
}

if (tagIsEqual(qName,TEXTINPUT_TAG)){
reading_input = false;
//-----------------------------------------
//添加时间：2013-08-14 21:00:17
//人员：@龙轩
//博客：http://blog.csdn.net/xiaoxian8023
//添加内容：重新允许解析channel
reading_chan = true;
//添加结束---------------------------------
chan.setRSSTextInput(input);
}

}

至此，修改的就差不多了，打开一下org.javali.util.test包的RssNewsFetcher类，修改一下测试列表和方法：

package org.javali.util.test;

import java.io.IOException;
import java.net.MalformedURLException;
import java.net.URL;

import org.gnu.stealthp.rsslib.RSSChannel;
import org.gnu.stealthp.rsslib.RSSException;
import org.gnu.stealthp.rsslib.RSSHandler;
import org.gnu.stealthp.rsslib.RSSItem;
import org.gnu.stealthp.rsslib.RSSParser;

public class RssNewsFetcher {

/**
* rss订阅列表
*/
private final static String[] rssArr = new String[] {
//"http://news.baidu.com/n?cmd=1&class=civilnews&tn=rss",
"http://xiaoxian100.blog.163.com/rss",
"http://blog.csdn.net/xiaoxian8023/rss/list"
};

/**
* 测试解析rss订阅
* @throws IOException
*/
public void testFetchRssNews() throws IOException {
for (int i = 0; i < rssArr.length; i++) {
try {

//获取rss订阅地址
URL url = new URL(rssArr[i]);
RSSHandler handler = new RSSHandler();

//解析rss
RSSParser.parseXmlFile(url, handler, false);

//获取Rss频道信息
RSSChannel ch = handler.getRSSChannel();

System.out.println("---------------------------------------------");
System.out.println("博客标题：" + ch.getTitle());
System.out.println("博客链接：" + ch.getLink());
System.out.println("博客描述：" + ch.getDescription());
System.out.println("博客语言：" + ch.getLanguage());
System.out.println("发布时间：" + ch.getPubDate());
System.out.println("图片地址：" +ch.getRSSImage().getUrl());
System.out.println("图片指向：" +ch.getRSSImage().getLink());

System.out.println("共有文章数目为：" + ch.getItems().size());
//				for(i=0;i<ch.getItems().size();i++){
for(int j=0;j<1;j++){   //这里为了方便测试，只取一次循环，真实使用时，需选用上面那句代码
RSSItem item = (RSSItem)ch.getItems().get(j);
System.out.println("文章标题：" + item.getTitle());
System.out.println("文章摘要：" + item.getSummary());
//System.out.println("文章正文：" + item.getDescription());
//这里为了演示方便，我取正文的前100个字符，真实使用时，需选用上面那句代码
System.out.println("文章正文：" + item.getDescription().substring(0, 100));
System.out.println("文章链接：" + item.getLink());
System.out.println("发表时间：" + item.getPubDate());
System.out.println("文章作者：" + item.getAuthor());
System.out.println("最新修改：" + item.getDate());
}

} catch (MalformedURLException e) {
e.printStackTrace();
} catch (RSSException e) {
e.printStackTrace();
}
}
}

public static void main(String[] args) throws IOException{
RssNewsFetcher fetcher = new RssNewsFetcher();
fetcher.testFetchRssNews();
}

}

测试结果如图：



已经修改的差不多了，下一步就是做成jar，以供本项目使用。步骤很简单。右键项目，选择“导出”→“Java”→“jar文件”，下一步，把右侧的勾全去掉，然后设定一下jar的生成路径，点击“完成”即可。javadoc生成方式差不多，可以参考这里。

手痒了么？快来试试看吧。当然，现在做的myrsslib4j 跟rsslib4j一样，仅仅支持rss格式的博客。下篇博客给大家奉献修改过的rome——myrome，它很好的支持了rss和atom 2种格式的博客。此阅读器会以myrome来解析在线的订阅信息，敬请期待吧。

加句题外话，为了更好的与大家分享，我在Google Code中上传了myrsslib4j的源代码。项目主页：https://code.google.com/p/myrsslib4j/ 。个人能力所限，难免会有瑕疵，欢迎大家多多指正。