这是一个创建于 4374 天前的主题，其中的信息可能已经有所发展或是发生改变。
需求：在Android应用开发中，对于没有API的网站，如果想通过抓数据的形式组织数据。
1. Android+Jsoup，在客户端直接抓取数据解析，使用Jsoup.parse的方法产生document类，很慢。考虑进行预处理，例如v2ex.com/recent?p=1,如果为了组织列表数据，只需要读取id=Main的div下面的数据，多余的数据并不需要传入parse方法进行解析。针对网站可能会改版，可以将对于节点的访问采用selector或正则的方式与具体解析分离，将这部分规则打成包单独维护。
2. Android+网络爬虫程序中转请求。还是用v2ex.com/recent举例，如果希望访问列表数据，可以写一个服务端程序，用于接收客户端访问，然后抓取数据，解析产生json数据返回。有没有现成的服务可以将定制数据转换为json和xml调用？
对于预处理，或者其他的方法，大家有什么建议么？欢迎讨论。
1. Android+Jsoup，在客户端直接抓取数据解析，使用Jsoup.parse的方法产生document类，很慢。考虑进行预处理，例如v2ex.com/recent?p=1,如果为了组织列表数据，只需要读取id=Main的div下面的数据，多余的数据并不需要传入parse方法进行解析。针对网站可能会改版，可以将对于节点的访问采用selector或正则的方式与具体解析分离，将这部分规则打成包单独维护。
2. Android+网络爬虫程序中转请求。还是用v2ex.com/recent举例，如果希望访问列表数据，可以写一个服务端程序，用于接收客户端访问，然后抓取数据，解析产生json数据返回。有没有现成的服务可以将定制数据转换为json和xml调用？
对于预处理，或者其他的方法，大家有什么建议么？欢迎讨论。
 | 1 westlinkin 2013-10-22 14:21:13 +08:00 我最近正在做这个事情，朝方法2努力 |
 | 2 dichengsiyu OP @westlinkin 第二种方案在简单客户端开发中感觉性价比不高。即便解析服务定制后可通用，但是无形中把对于目标站的访问压力又复制到爬虫服务上。 |
 | 3 oa414 2013-10-22 16:02:13 +08:00 我做过这种事情 1的缺点是耗流量，速度可能会慢。但是我爬的网站最后在客户端的抓取和解析速度还不错。此外，网站改版几乎是致命的，必须修改客户端。LZ的将解析规则分离想法不错，不过不知道实践起来能不能切合改版后的网站，因为之前没办法知道网站会改版成什么样，没办法调试 2用脚本爬网站比在客户端上调试爬取解析方便多了，我觉得主要问题是自己要增加一个服务器的维护成本。我最近在试验用PHP写，客户端第一次请求的时候去抓取，结果缓存到本地，第二次直接返回本地结果，好处是PHP虚拟空间便宜又多，也不用专门开VPS |
 | 4 icyflash 2013-10-22 16:05:06 +08:00  1 YQL ? |
| 5 dichengsiyu OP @icyflash 赞 |
| 6 dichengsiyu OP @oa414 1. 想是可以把规则做成“正则表达式字符串”，然后可以动态的做成一个表，通过一个固定的api可以访问，做一下简单的版本管理，每次加载的时候读取一下规则数据，如果有变化重新加载。不过还没有具体试验。我使用Jsoup解析，感觉很慢。我想即便是用这种方式也需要做好预处理，其实有很多信息在构建parser树的时候是不需要的。 2. 维护成本是这个方法的硬伤。@icyflash的推荐的YQL感觉很有意思，可以看看～ |
Select Language