捧腹网网页分析、数据获取
“捧腹网”页面结构分析
捧腹网M站地址: http://m.pengfu.com/
捧腹网M站部分截图：
从截图中（可以直接去网站看下），我们可以看出，该网站相对简单，一共分为四个模块：最新笑话、捧腹段子、趣图、神回复。 然后页面的显示形式有两种，一是单纯的文字（段子），二是单纯的图片（趣图）。其中趣图又分为静态图片和动态图片（gif图），且趣图的显示比段子多了“标签”。
“捧腹网”网页源码分析
在网页中点击右键，点击弹出菜单中的“查看网页代码”，就可以查看到当前网页的源代码。查看源代码，我们可以看出，每一个笑话，都是一个list-item。我截取部分代码，给大家略作分析。
我在上图中已经进行了标注，整个捧腹网的数据大体也就这三部分：段子、静态图、动态图。其中，每个list-item中的数据包括：用户头像、用户昵称、笑话的标题、笑话内容（段子内容、静态图、动态图），标签。
“捧腹网”数据列表请求URL分析
最新笑话列表：http://m.pengfu.com/index_num.html, 其中num为第几页。
捧腹段子列表：http://m.pengfu.com/xiaohua_num.html , 其中num为第几页。
趣图列表：http://m.pengfu.com/qutu_num.html , 其中num为第几页。
神回复列表：http://m.pengfu.com/shen_num.html , 其中num为第几页。
使用Jsoup解析网页
Jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。
关于如何使用Jsoup并不是本章重点，它并不难使用，具体可以参考jsoup开发指南http://www.open-open.com/jsoup/ ，相信你浏览一遍就知道它的使用方式了。
下面，我们通过Jsoup解析上图网页中的数据list-item 。
首先，我们需要首先获取网页源代码，jsoup提供了一个相当简单的方法，可以直接获取网页源代码，并把它转为Document对象。
Document doc = Jsoup.connect(“http://m.pengfu.com/index_1.html“).get();
当然，你也可以自己通过httpurlconnection获取到网页的数据流，然后通过 Document doc = Jsoup.parse(result);方法把它转为Document对象。
在实际开发中，我们需要用过异步任务，获取、解析网络数据，所以，在这里，我通过httpurlconnection来获取网页源码。
1.封装HTTP请求工具类
package com.lnyp.joke.http;
import java.io.BufferedReader;
import java.io.ByteArrayOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.io.PrintWriter;
import java.net.HttpURLConnection;
import java.net.URL;
/**
* Http请求的工具类
*
*/
public class HttpUtils {
private static final int TIMEOUT_IN_MILLIONS = 10000;
public interface CallBack {
void onRequestComplete(String result);
}
/**
* 异步的Get请求
*
* @param urlStr
* @param callBack
*/
public static void doGetAsyn(final String urlStr, final CallBack callBack) {
new Thread() {
public void run() {
try {
String result = doGet(urlStr);
if (callBack != null) {
callBack.onRequestComplete(result);
}
} catch (Exception e) {
e.printStackTrace();
}
}
;
}.start();
}
/**
* Get请求，获得返回数据
*
* @param urlStr
* @return
* @throws Exception
*/
public static String doGet(String urlStr) {
URL url = null;
HttpURLConnection conn = null;
InputStream is = null;
ByteArrayOutputStream baos = null;
try {
url = new URL(urlStr);
conn = (HttpURLConnection) url.openConnection();
conn.setReadTimeout(TIMEOUT_IN_MILLIONS);
conn.setConnectTimeout(TIMEOUT_IN_MILLIONS);
conn.setRequestMethod("GET");
conn.setRequestProperty("accept", "*/*");
conn.setRequestProperty("connection", "Keep-Alive");
conn.setRequestProperty("User-Agent", "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52");
if (conn.getResponseCode() == 200) {
is = conn.getInputStream();
baos = new ByteArrayOutputStream();
int len = -1;
byte[] buf = new byte[128];
while ((len = is.read(buf)) != -1) {
baos.write(buf, 0, len);
}
baos.flush();
// System.out.print("str : " + baos.toString());
return baos.toString();
} else {
throw new RuntimeException(" responseCode is not 200 ... ");
}
} catch (Exception e) {
e.printStackTrace();
} finally {
try {
if (is != null)
is.close();
} catch (IOException e) {
}
try {
if (baos != null)
baos.close();
} catch (IOException e) {
}
conn.disconnect();
}
return null;
}
}
2.查询网页源码，转化为Document对象。
private void qryJokes() {
final String url = "http://m.pengfu.com/index_1.html";
System.out.println(url);
HttpUtils.doGetAsyn(url, new HttpUtils.CallBack() {
@Override
public void onRequestComplete(String result) {
if (result == null) {
return;
}
Document doc = Jsoup.parse(result);
}
});
}
3.通过Jsoup解析网页源码，封装列表数据
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.util.ArrayList;
import java.util.List;
/**
* 笑话工具类
*/
public class JokeUtil {
public List<JokeBean> getNewJokelist(Document doc) {
//class等于list-item的div标签
Elements list_item_elements = doc.select("div.list-item");
List<JokeBean> jokeBeanList = new ArrayList<>();
if (list_item_elements.size() > 0) {
for (int i = 0; i < list_item_elements.size(); i++) {
JokeBean jokeBean = new JokeBean();
Element list_item_element = list_item_elements.get(i);
Elements head_name_elements = list_item_element.select("div.head-name");
if (head_name_elements.size() > 0) {
Element head_name_element = head_name_elements.first();
if (head_name_element != null) {
String userAvatar = head_name_element.select("img").first().attr("src");
String userName = head_name_element.select("a[href]").get(1).text(); //带有href属性的a元素
String lastTime = head_name_element.getElementsByClass("dp-i-b").first().text(); //带有href属性的a元素
String shareUrl = head_name_element.select("a[href]").get(1).attr("href");
jokeBean.setUserAvatar(userAvatar);
jokeBean.setUserName(userName);
jokeBean.setLastTime(lastTime);
jokeBean.setShareUrl(shareUrl);
}
}
Element con_img_elements = list_item_element.select("div").get(2);
if (con_img_elements != null) {
if (con_img_elements.select("img") != null) {
Element img_element = con_img_elements.select("img").first();
JokeBean.DataBean dataBean = new JokeBean.DataBean();
if (img_element != null) {
String showImg = img_element.attr("src");
String gifsrcImg = img_element.attr("gifsrc");
String width = img_element.attr("width");
String height = img_element.attr("height");
dataBean.setShowImg(showImg);
dataBean.setGifsrcImg(gifsrcImg);
dataBean.setWidth(width);
dataBean.setHeight(height);
} else {
String content = con_img_elements.text().replaceAll(" ", "\n");
dataBean.setContent(content);
}
jokeBean.setDataBean(dataBean);
}
}
Element tagwrap_clearfix_elements = list_item_element.select("div").get(3);
if (tagwrap_clearfix_elements != null) {
Elements clearfixs = tagwrap_clearfix_elements.select("a[href]"); //带有href属性的a元素
List<String> tags = new ArrayList<>();
for (int j = 0; j < clearfixs.size(); j++) {
String tag = clearfixs.get(j) != null ? clearfixs.get(j).text() : "";
tags.add(tag);
}
jokeBean.setTags(tags);
}
jokeBeanList.add(jokeBean);
}
}
return jokeBeanList;
}
}本章小结：
本章主要介绍了如何通过解析网页源码获取网页中的数据，其实不难，静下心来，一点点分析，利用jsoup便可以轻而易举的拿到我们想要的数据。
获取到了数据之后，接下我们便可以设计、实现“捧腹”APP。
更多内容，下面会继续详解。