我要评论一、网络爬虫的基本知识
网络爬虫通过遍历互联网络，把网络中的相关网页全部抓取过来，这体现了爬的概念。爬虫如何遍历网络呢，互联网可以看做是一张大图，每个页面看做其中的一个节点，页面的连接看做是有向边。图的遍历方式分为宽度遍历和深度遍历，但是深度遍历可能会在深度上过深的遍历或者陷入黑洞。所以，大多数爬虫不采用这种形式。另一方面，爬虫在按照宽度优先遍历的方式时候，会给待遍历的网页赋予一定优先级，这种叫做带偏好的遍历。
实际的爬虫是从一系列的种子链接开始。种子链接是起始节点，种子页面的超链接指向的页面是子节点（中间节点），对于非html文档，如excel等，不能从中提取超链接，看做图的终端节点。整个遍历过程中维护一张visited表，记录哪些节点（链接）已经处理过了，跳过不作处理。
二、android网络爬虫demo的简单实现
看一下效果
抓的是这个网页 然后写了一个app
是这样的
把listview做成卡片式的了 然后配色弄的也很有纸质感啊啊啊
反正自己还挺喜欢的
然后就看看是怎么弄的
看一下每个类都是干啥的 ：
mainactivity:主界面的activity
mainadapter：listview的适配器
networkclass：链接网络 使用httpclient发送请求、接收响应得到content 大概就是拿到了这个网页的什么鬼东西
还有好多就是一个html的代码 要解析这个
news：这个类里有两个属性 一个标题 一个是这个标题新闻点进去那个url；
newsactivity：详细新闻界面
pulllistview：重写了listview 具有下拉刷新和上拉加载功能
然后从oncreat（）开始看：
protected void oncreate(bundle savedinstancestate) {
super.oncreate(savedinstancestate);
setcontentview(r.layout.activity_main);
initview();
mainthread mt = new mainthread(newsurl);
final thread t = new thread(mt, "mainthread");
t.start();
pulllistview.setonrefreshlistener(new pulllistview.onrefreshlistener() {
@override
public void onrefresh() {
isgetmore = false;
mainthread mt = new mainthread(newsurl);
thread t = new thread(mt, "mainthread");
t.start();
}
});
pulllistview.setongetmorelistener(new pulllistview.ongetmorelistener() {
@override
public void ongetmore() {
isgetmore = true;
if (num > 1) {
mainthread mt = new mainthread(nextpage);
thread t = new thread(mt, "mainthread");
t.start();
}
}
});
pulllistview.setonitemclicklistener(new adapterview.onitemclicklistener() {
@override
public void onitemclick(adapterview<?> parent, view view, int position, long id) {
intent intent = new intent(mainactivity.this,newsactivity.class);
intent.putextra("url",list.get(position-1).geturl());
startactivity(intent);
}
});
}
这个里面主要就是先初始化了数据
然后new了一个线程 因为涉及到了网络请求 所以我们要开线程去执行 然后有一些listview的下拉上拉点击的绑定
所以主要内容是在线程里面
再看线程之前 先看一下networkclass
package com.example.katherine_qj.news;
import android.net.http.httpresponsecache;
import android.util.log;
import org.apache.http.httpresponse;
import org.apache.http.client.httpclient;
import org.apache.http.client.methods.httpget;
import org.apache.http.impl.client.defaulthttpclient;
import java.io.bufferedreader;
import java.io.ioexception;
import java.io.inputstream;
import java.io.inputstreamreader;
/**
* created by katherine-qj on 2016/7/24.
*/
public class networkclass {
public string getdatabyget(string url){
log.e("qwe","content");
string content ="";
httpclient httpclient = new defaulthttpclient();
log.e("qwe","content1");
/*使用httpclient发送请求、接收响应很简单，一般需要如下几步即可。
1. 创建httpclient对象。
2. 创建请求方法的实例，并指定请求url。如果需要发送get请求，创建httpget对象；如果需要发送post请求，创建httppost对象。
3. 如果需要发送请求参数，可调用httpget、httppost共同的setparams(hetpparams params)方法来添加请求参数；对于httppost对象而言，也可调用setentity(httpentity entity)方法来设置请求参数。
4. 调用httpclient对象的execute(httpurirequest request)发送请求，该方法返回一个httpresponse。
5. 调用httpresponse的getallheaders()、getheaders(string name)等方法可获取服务器的响应头；调用httpresponse的getentity()方法可获取httpentity对象，该对象包装了服务器的响应内容。程序可通过该对象获取服务器的响应内容。
6. 释放连接。无论执行方法是否成功，都必须释放连接*/
httpget httpget = new httpget(url);
try {
httpresponse httpresponse = httpclient.execute(httpget);
// httpreponse是服务器接收到浏览器的请求后，处理返回结果常用的一个类。
if(httpresponse.getstatusline().getstatuscode() == 200) {
/*getstatusline()
获得此响应的状态行。状态栏可以设置使用setstatusline方法之一，也可以在构造函数初始化*/
inputstream is = httpresponse.getentity().getcontent();
/*getentity()
获取此响应的消息实体，如果有。实体是通过调用setentity提供。*/
bufferedreader reader = new bufferedreader(new inputstreamreader(is));
string line;
while ((line = reader.readline()) != null){
content += line;
}
}
}catch (ioexception e)
{
log.e("http",e.tostring());
}
log.e("sdf",content);
return content;
}
}
注释的很详细了
大概就是 有一个getdatabyget方法 然后接受一个url参数 经过一系列请求得到网页内容 返回一个content
下来就是使用这个类的线程了
public class mainthread implements runnable{
private string url;
public mainthread(string url){
this.url = url;
}
@override
public void run() {
networkclass networkclass =new networkclass();//new 了一个network类
content = networkclass.getdatabyget(url);//接收这个类返回的那个字符串也就是需要解析的那一串
log.e("qwe",content);
handler.sendemptymessage(111);
}
}
就是利用这个线程去得到content 然后通过handle传递到主线程去解析
private final android.os.handler handler = new android.os.handler(){
public void handlemessage(message msg){
switch (msg.what){
case 111:
analysehtml();
if(isgetmore){
mainadapter.notifydatasetchanged();
/*每一次notifydatasetchange()都会引起界面的重绘。当需要修改界面上view的相关属性的时候，
最后先设置完成再调用notifydatasetchange()来重绘界面。*/
}else {
mainadapter = new mainadapter(mainactivity.this, list);
pulllistview.setadapter(mainadapter);
}
pulllistview.refreshcomplete();
pulllistview.getmorecomplete();
break;
}
}
};
analysehtml();
发现其实解析的东西在这个方法里面 所以 这里才是解析网页的东西啊：
public void analysehtml(){
if(content!=null){
int x= 0;
document document = jsoup.parse(content);
//解析html字符串
if (!isgetmore) {
list.clear();
element element = document.getelementbyid("fanye3942");//拿到fanye3942这个节点
string text = element.text();//得到这个节点的文本部分
system.out.print(text);
num = integer.parseint(text.substring(text.lastindexof('/') + 1, text.length() - 1));
system.out.print(num);
}
elements elements = document.getelementsbyclass("c3942");//得到c3942这个节点中的所有子节点
while(true){
if(x==elements.size()){
system.out.print(elements.size());
break;//遍历到最后就退出
}
news news = new news();
news.settitle(elements.get(x).attr("title"));//分别得到每一个子节点的需要的文本部分
news.seturl(elements.get(x).attr("href"));
// list.add(news);
if (!isgetmore||x>10){
list.add(news);
if(x>=25){
break;
}//这个是因为我们学校的网页有重复
}
x++;
}
if (num>1){
nextpage = url+"/"+ --num+".htm";//因为有翻页这里得到了下一页的url在上拉的时候会开启线程去请求数据
system.out.println("qqqqqqqqqqq"+nextpage);
}
}
}
document 对象使我们可以从脚本中对 html 页面中的所有元素进行访问。
所以android基于jsoup 把content搞成document 对象
然后就可以慢慢分解去拿了 然后拿哪里的数据就要看需要了
我开始一直不知道那些fanye3942 和c3942是啥 后来才知道是需要的数据的节点id或者class
就像这样
然后把每一次遍历的数据都加到集合里面 给listview绑定集合就好了
大概主页面就是这样 然后跳转页面 就是因为news里面还放入了每一个新闻点击之后的url所以传到newsactivity中再利用相同的思路去解析显示就好了
package com.example.katherine_qj.news;
import android.app.activity;
import android.os.bundle;
import android.os.message;
import android.util.log;
import android.widget.edittext;
import android.widget.textview;
import org.jsoup.jsoup;
import org.jsoup.nodes.document;
import org.jsoup.nodes.element;
import org.jsoup.select.elements;
/**
* created by katherine-qj on 2016/7/25.
*/
public class newsactivity extends activity {
private textview texttitle;
private textview textedit;
private textview textdetail;
private string title;
private string edit;
private string detail;
private stringbuilder text;
private string url;
private document document;
private string content;
@override
protected void oncreate(bundle savedinstancestate) {
super.oncreate(savedinstancestate);
setcontentview(r.layout.activity_news);
initview();
url=getintent().getstringextra("url");
log.e("qqq",url);
newsthread newsthread = new newsthread(url);
final thread t = new thread(newsthread,"newsactivity");
t.start();
}
public void initview(){
texttitle =(textview)findviewbyid(r.id.texttitle);
textedit =(textview)findviewbyid(r.id.textedit);
textdetail = (textview)findviewbyid(r.id.textdetail);
}
private final android.os.handler handler = new android.os.handler(){
public void handlemessage(message msg){
if(msg.what==1001){
document = jsoup.parse(content);
analysehtml(document);
texttitle.settext(title);
textedit.settext(edit);
textdetail.settext(text);
}
}
};
public class newsthread implements runnable{
string url;
public newsthread(string url){
this.url = url;
}
@override
public void run() {
networkclass networkclass = new networkclass();
content = networkclass.getdatabyget(url);
system.out.print("qqq"+content);
handler.sendemptymessage(1001);
}
}
public void analysehtml(document document){
if (document!=null){
element element = document.getelementbyid("nrys");
elements elements = element.getallelements();
title = elements.get(1).text();
edit = elements.get(4).text();
element melement = document.getelementbyid("vsb_content_1031");
if(melement != null) {
elements melements = melement.getallelements();
text = new stringbuilder();
for (element melement : melements) {
if(melement.classname().equals("nrzwys") || melement.tagname().equals("strong")){
continue;
}
if(!melement.text().equals(" ") && !melement.text().equals(""));{
text.append(" ").append(melement.text()).append("\n");
}
if (melement.classname().equals("vsbcontent_end")) {
break;
}
}
}
}
}
}
以上就是基于android编写简单的网络爬虫的全部内容，本文介绍的很详细，希望给大家在android开发的过程中有所帮助。
您可能感兴趣的文章:
如您对本文有疑问或者有任何想说的，请点击进行留言回复，万千网友为您解惑！
网友评论