正则表达式抓取网页数据制作iOS小词典

╰+攻爆jí腚メ 2022-08-20 07:30 167阅读 0赞

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][http_www.jb51.net_shouce_jquery1.82_regexp.html]

下面是测试代码，能匹配出：xn4545945

**\[objc\]**view plaincopy

1.  //测试正则表达式用的
2.  \- (**void**)findAnswerInHTMLTest \{ 
3.  **NSString** \*srcStr = @"http://blog.csdn.net/xn4545945"; 
4.  
5.  **NSString** \*pattern = @"xn\[^\\\\s\]\*"; //匹配以xn开头的任何非空白字符
6.  
7.  //实例化正则表达式，需要指定两个选项
8.  //NSRegularExpressionCaseInsensitive 忽略大小写
9.  //NSRegularExpressionDotMatchesLineSeparators 让.能够匹配换行
10. **NSRegularExpression** \*regex = \[\[NSRegularExpression alloc\] initWithPattern:pattern options:NSRegularExpressionCaseInsensitive | NSRegularExpressionDotMatchesLineSeparators error**:nil**\]; 
11. 
12. //匹配出结果集
13. **NSTextCheckingResult** \*checkResult = \[regex firstMatchInString:srcStr options:NSMatchingReportCompletion range:NSMakeRange(0, srcStr.length)\]; 
14. 
15. // 取出找到的内容.
16. **NSString** \*result = \[srcStr substringWithRange:\[checkResult rangeAtIndex:0\]\]; 
17. 
18.  NSLog(@"数据为----->%@", result); 
19. \}

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][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][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：

**\[objc\]**view plaincopy

1.  **@implementation** XNSpider 
2.  \- (**void**)loadHTMLWithWord:(**NSString** \*)word \{ 
3.  //1.发送HTML请求, 得到返回的网页.(转换为字符串)
4.  **NSString** \*urlString = \[NSString stringWithFormat:@"%@%@", kBaseURL, word\]; //拼接请求网址
5.   urlString = \[urlString stringByAddingPercentEscapesUsingEncoding:NSUTF8StringEncoding\]; //中文转义
6.  **NSURL** \*url = \[NSURL URLWithString:urlString\]; //得到URL
7.  
8.  **NSURLRequest** \*request = \[NSURLRequest requestWithURL:url cachePolicy:NSURLRequestUseProtocolCachePolicy timeoutInterval:5.0f\]; 
9.  
10.  \[NSURLConnection sendAsynchronousRequest:request queue:\[NSOperationQueue mainQueue\] completionHandler: ^(**NSURLResponse** \*response, **NSData** \*data, **NSError** \*connectionError) \{ 
11. //得到的data数据转换为字符串
12. **NSString** \*html = \[\[NSString alloc\] initWithData:data encoding:NSUTF8StringEncoding\]; 
13. // NSLog(@"%@", html);
14. 
15. //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)
16. //然后通过代理传递结果给主线程,用于更新UI
17. 
18. **NSString** \*result = \[**self** findAnswerInHTML:html\]; 
19.  NSLog(@"%@", result); 
20. 
21. **if** (\[**self**.delegate respondsToSelector:**@selector**(finishSpider:)\]) \{ 
22.  \[**self**.delegate finishSpider:result\]; //将完成后的结果通过代理传到UI线程中去.
23.  \} 
24.  \}\]; 
25. \} 
26. 
27. /\*\*
28.  \* 正则表达式匹配字符串的核心方法
29.  \*
30.  \* @param html 输入的整个网页字符串
31.  \*
32.  \* @return 返回匹配的结果
33.  \*/
34. \- (**NSString** \*)findAnswerInHTML:(**NSString** \*)html \{ 
35. //将需要取出的用(.\*?)代替. 大空格换行等用.\*?代替,表示忽略.
36. **NSString** \*pattern = @"<ul class=\\"dict-basic-ul\\">.\*?<li><span>(.\*?)</span><**strong**>(.\*?)</**strong**></li>"; 
37. 
38. //实例化正则表达式，需要指定两个选项
39. //NSRegularExpressionCaseInsensitive 忽略大小写
40. //NSRegularExpressionDotMatchesLineSeparators 让.能够匹配换行
41. **NSRegularExpression** \*regex = \[\[NSRegularExpression alloc\] initWithPattern:pattern options:NSRegularExpressionCaseInsensitive | NSRegularExpressionDotMatchesLineSeparators error**:nil**\]; 
42. 
43. //匹配出结果集
44. **NSTextCheckingResult** \*checkResult = \[regex firstMatchInString:html options:NSMatchingReportCompletion range:NSMakeRange(0, html.length)\]; 
45. 
46. // 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.
47. **NSString** \*result = \[html substringWithRange:\[checkResult rangeAtIndex:2\]\]; 
48. 
49.  NSLog(@"数据为----->%@", result); 
50. **return** result; 
51. \}

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][http_download.csdn.net_detail_xn4545945_7619349]

转载请注明出处：[http://blog.csdn.net/xn4545945][http_blog.csdn.net_xn4545945]

[http_www.jb51.net_shouce_jquery1.82_regexp.html]: http://www.jb51.net/shouce/jquery1.82/regexp.html
[http_dict.cn]: http://dict.cn/
[http_dict.cn_hello]: http://dict.cn/hello
[http_download.csdn.net_detail_xn4545945_7619349]: http://download.csdn.net/detail/xn4545945/7619349
[http_blog.csdn.net_xn4545945]: http://blog.csdn.net/xn4545945