首页 > 代码库 > 【iOS】正则表达式抓取网页数据制作小词典

【iOS】正则表达式抓取网页数据制作小词典

2024-07-11 18:25:40   223人阅读

应用程序不一定要自己去提供数据，有现成的数据学会去用才好。

网络很大，各种搜索引擎每天到处爬。本文通过正则表达式抓取网站的数据来做一个小词典。

一、正则表达式的使用

1. 确定匹配方案，即pattern

2. 用pattern实例化NSRegularExpression

3. 用匹配方法开始匹配。

匹配一次：可以使用firstMatch方法

匹配多次：可以用matchs方法


正则表达式对照表：（在网上找到了一个很不错的表，正则表达式各个语言通用）

http://www.jb51.net/shouce/jquery1.82/regexp.html


下面是测试代码，能匹配出：xn4545945

//测试正则表达式用的
- (void)findAnswerInHTMLTest {
    NSString *srcStr = @"http://blog.csdn.net/xn4545945";
    
    NSString *pattern = @"xn[^\\s]*";  //匹配以xn开头的任何非空白字符

	//实例化正则表达式，需要指定两个选项
	//NSRegularExpressionCaseInsensitive  忽略大小写
	//NSRegularExpressionDotMatchesLineSeparators 让.能够匹配换行
	NSRegularExpression *regex = [[NSRegularExpression alloc] initWithPattern:pattern options:NSRegularExpressionCaseInsensitive | NSRegularExpressionDotMatchesLineSeparators error:nil];
    
	//匹配出结果集
	NSTextCheckingResult *checkResult = [regex firstMatchInString:srcStr options:NSMatchingReportCompletion range:NSMakeRange(0, srcStr.length)];
    
	// 取出找到的内容.
	NSString *result = [srcStr substringWithRange:[checkResult rangeAtIndex:0]];
    
	NSLog(@"数据为----->%@", result);
}


二、抓取网页数据，并制作小词典

用海词作为查询词典抓取数据。http://dict.cn

直接在网址后面拼接查询词即可查询，如查询“hello”，即http://dict.cn/hello

查看网页源代码如下图： 即抓取出 (打招呼)喂；你好 即可。



tips：

(.*?)来取出想要的内容.括号括住才能取出.抓网页用这个就够了.
*. 表示匹配任意字符
**表示重复0到多次
*?  表示尽量少的匹配.
*将需要取出的用(.*?)代替.大空格换行等用.*?代替,表示忽略.

结合浏览器的查找功能, 在源代码中查找,看选取的关键词是否有重复的.(找时更方便)
*选取稍微大点的块(标签中有id标记的为好),可以做到唯一.(如果选太小,可能一些小标签在网页中重复的次数非常多)
*然后多次调用正则表达式方法,逐步缩小范围.
*引号需要转义(加反斜杠).中文需要%转义.(用方法)

直接上代码：
@implementation XNSpider
- (void)loadHTMLWithWord:(NSString *)word {
	//1.发送HTML请求, 得到返回的网页.(转换为字符串)
	NSString *urlString = [NSString stringWithFormat:@"%@%@", kBaseURL, word];  //拼接请求网址
	urlString = [urlString stringByAddingPercentEscapesUsingEncoding:NSUTF8StringEncoding]; //中文转义
	NSURL *url = [NSURL URLWithString:urlString];  //得到URL

	NSURLRequest *request = [NSURLRequest requestWithURL:url cachePolicy:NSURLRequestUseProtocolCachePolicy timeoutInterval:5.0f];

	[NSURLConnection sendAsynchronousRequest:request queue:[NSOperationQueue mainQueue] completionHandler: ^(NSURLResponse *response, NSData *data, NSError *connectionError) {
	    //得到的data数据转换为字符串
	    NSString *html = [[NSString alloc] initWithData:data encoding:NSUTF8StringEncoding];
//	    NSLog(@"%@", html);

	    //2.从返回的字符串中匹配出(正则表达式过滤)想要的. (另写一个方法findAnswerInHTML)
	    //然后通过代理传递结果给主线程,用于更新UI

	    NSString *result = [self findAnswerInHTML:html];
	    NSLog(@"%@", result);

	    if ([self.delegate respondsToSelector:@selector(finishSpider:)]) {
	        [self.delegate finishSpider:result]; //将完成后的结果通过代理传到UI线程中去.
		}
	}];
}

/**
 *  正则表达式匹配字符串的核心方法
 *
 *  @param html 输入的整个网页字符串
 *
 *  @return 返回匹配的结果
 */
- (NSString *)findAnswerInHTML:(NSString *)html {
	//将需要取出的用(.*?)代替. 大空格换行等用.*?代替,表示忽略.
	NSString *pattern = @"<ul class=\"dict-basic-ul\">.*?<li><span>(.*?)</span><strong>(.*?)</strong></li>";

	//实例化正则表达式，需要指定两个选项
	//NSRegularExpressionCaseInsensitive  忽略大小写
	//NSRegularExpressionDotMatchesLineSeparators 让.能够匹配换行
	NSRegularExpression *regex = [[NSRegularExpression alloc] initWithPattern:pattern options:NSRegularExpressionCaseInsensitive | NSRegularExpressionDotMatchesLineSeparators error:nil];

	//匹配出结果集
	NSTextCheckingResult *checkResult = [regex firstMatchInString:html options:NSMatchingReportCompletion range:NSMakeRange(0, html.length)];

	// 取出找到的内容. 数字分别对应第几个带括号(.*?), 取0时输出匹配到的整句.
	NSString *result = [html substringWithRange:[checkResult rangeAtIndex:2]];

	NSLog(@"数据为----->%@", result);
	return result;
}

匹配结果最后使用代理传到主线程中去更新UI。
程序界面如下：（查询Android后，从网页中找到的数据为“机器人”）


出错处理这里就不做了。


程序源码如下：http://download.csdn.net/detail/xn4545945/7619349

转载请注明出处：http://blog.csdn.net/xn4545945  


联系
我们