【毕设资料】Web版RSS阅读器（四）——定制自己的Rss解析库myrsslib4j

 在上篇博文《Web版RSS阅读器（三）——解析在线Rss订阅》中，已经提到了遇到的问题，这里再详细说一下。

        在解析rss格式的订阅时，遇到的最主要的问题是，出现了“Server returned HTTP response code: 403 for URL: http://xxxxxx”的错误，百度一下就知道，这是在网站访问中很常见的一个错误，服务器理解客户的请求，但拒绝处理它。即拒绝访问！接着查资料，得知某些服务器（比如CSDN博客）拒绝java作为客户端进行对其的访问，所以在解析时，会抛异常。

       不让访问怎么办，别怕，我们上有政策，下有对策。通过设置User-Agent来欺骗服务器，从而访问服务器。  

connection.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");    //用UA伪装访问连接对象

  但是折腾了半天，发现只有修改rsslib4j.jar才能给连接对象设置UA。只好找源码修改一下了，N久之后，在Google Code上猎取到一个开源的项目newrsslib4j，它是在rsslib4j的基础上修改而来的，项目开源主页：http://code.google.com/p/newrsslib4j/。满怀欣喜的下载下来，结果发现，依旧有403的问题。一狠心，自己来做一个rsslib，然后就checkout了newrsslib4j的源码，自己动手改动。
       1. 修改403 forbidden问题。

       修改org.gnu.stealthp.rsslib包中的RssParser类的setXmlResource()方法，给URLConnection对象，添加UA。

  /**   * Set rss resource by URL   * @param ur the remote url   * @throws RSSException   */  public void setXmlResource(URL ur) throws RSSException{    try{            URLConnection con = u.openConnection();            //-----------------------------      //添加时间：2013-08-14 21:00:17      //人员：@龙轩      //博客：http://blog.csdn.net/xiaoxian8023      //添加内容：由于服务器屏蔽java作为客户端访问rss，所以设置User-Agent      con.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");      //-----------------------------      con.setReadTimeout(10000);  String charset = Charset.guess(ur);  is = new InputSource (new UnicodeReader(con.getInputStream(),charset));      if (con.getContentLength() == -1 && is == null){        this.fixZeroLength();      }    }catch(IOException e){      throw new RSSException("RSSParser::setXmlResource fails: "+e.getMessage());    }  }

 修改org.mozilla.intl.chardet包中的Charset类的guess()方法，注释掉原来的InputStream对象，创建URLConnection，设置User-Agent，通过URLConnection对象创建InputStream :

//judge from url  public static String guess(URL url) throws IOException {//-----------------------------//修改时间：2013-08-14 21:00:17//人员：@龙轩//博客：http://blog.csdn.net/xiaoxian8023//修改内容：注释InputStream，创建URLConnection，设置User-Agent，通过URLConnection对象创建InputStream//InputStream in = url.openStream();URLConnection con = url.openConnection();    con.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");    InputStream in = con.getInputStream(); //-----------------------------return guess(in);}

     2. 添加获取文章摘要的方法

       测试以后，发现Rss格式的订阅，居然没有提供一个获取内容摘要的方法。所以，继续修改。修改org.gnu.stealthp.rsslib包中的RssObject类，添加一个getSummary()方法，用来获取内容摘要：

  //-----------------------------------  //添加时间：2013-08-14 19:32:15  //人员：@龙轩  //添加内容：添加getSummary()方法，返回文章摘要信息  /**   * Get the element's summary   * @return the summary   */  public String getSummary(){String summary = getDescription();if (summary.length() >= 300) {summary = summary.substring(0, 300);}String regEx_html = "\\s|<[^>]+>|&\\w{1,5};"; // 定义HTML标签和特殊字符的正则表达式Pattern pattern = Pattern.compile(regEx_html,Pattern.CASE_INSENSITIVE);Matcher matcher = pattern.matcher(summary);summary = matcher.replaceAll(""); // 过滤script标签if (summary.length() >= 100) {summary = summary.substring(0, 100);}summary = summary + "...";return summary;  }  //添加结束-----------------------------------------------

 3. 解决解析不完全问题
       网易博客可以很好的解析出博客的link，language等节点，但是csdn、某些新闻资讯网站则不行。花了很长的时间去找问题，终于在不经意间，发现网易的博客节点的排列顺序与别的不一样，link，language等节点排在image节点上面的，而csdn则是在image的下面（如图），程序在解析时，先解析channel下的节点，写入到channel中，读取到image，则标记解析channel的变量为false，然后开始解析image节点下的内容。解析完毕以后，又要去解析channel节点下的link时，channel标记已经为false了，不能再继续解析，所以总是返回null。

       修改方案也很简单，就是所有标记解析channel为false的节点，在解析完毕该节点后，重新标记解析channel为true，这样就可以继续解析channel节点下的其他值 。具体修改操作：查看org.gnu.stealthp.rsslib包的RSSHandler类的startElement()方法，看看谁执行了 reading_chan = false; 这句代码。然后在endElement()方法中，重新设置 reading_chan = true; 即可：

  /**   * Receive notification of the end of an element   * @param uri The Namespace URI, or the empty string if the element has no Namespace URI or if Namespace processing is not being performed.   * @param localName The local name (without prefix), or the empty string if Namespace processing is not being performed   * @param qName The qualified name (with prefix), or the empty string if qualified names are not available   */  public void endElement(String uri,                         String localName,                         String qName){    String data = buff.toString().trim();    if (qName.equals(current_tag)){      data = buff.toString().trim();      buff = new StringBuffer();    }    if (reading_chan)      processChannel(qName,data);    if (reading_item)      processItem(qName,data);    if (reading_image)      processImage(qName,data);    if (reading_input)      processTextInput(qName,data);    if (tagIsEqual(qName,CHANNEL_TAG)){      reading_chan = false;      chan.setSyndicationModule(sy);    }    if (tagIsEqual(qName,ITEM_TAG)){      reading_item = false;      //-----------------------------------------      //添加时间：2013-08-14 21:00:17      //人员：@龙轩      //博客：http://blog.csdn.net/xiaoxian8023      //添加内容：重新允许解析channel      reading_chan = true;      //添加结束---------------------------------      chan.addItem(itm);    }    if (tagIsEqual(qName,IMAGE_TAG)){      reading_image = false;    //-----------------------------------------      //添加时间：2013-08-14 21:00:17      //人员：@龙轩      //博客：http://blog.csdn.net/xiaoxian8023      //添加内容：重新允许解析channel      reading_chan = true;      //添加结束---------------------------------      chan.setRSSImage(img);    }    if (tagIsEqual(qName,SEQ_TAG)){      reading_seq = false;      chan.addRSSSequence(seq);    }    if (tagIsEqual(qName,TEXTINPUT_TAG)){      reading_input = false;    //-----------------------------------------      //添加时间：2013-08-14 21:00:17      //人员：@龙轩      //博客：http://blog.csdn.net/xiaoxian8023      //添加内容：重新允许解析channel      reading_chan = true;      //添加结束---------------------------------      chan.setRSSTextInput(input);    }  }

至此，修改的就差不多了，打开一下org.javali.util.test包的RssNewsFetcher类，修改一下测试列表和方法：

package org.javali.util.test;import java.io.IOException;import java.net.MalformedURLException;import java.net.URL;import org.gnu.stealthp.rsslib.RSSChannel;import org.gnu.stealthp.rsslib.RSSException;import org.gnu.stealthp.rsslib.RSSHandler;import org.gnu.stealthp.rsslib.RSSItem;import org.gnu.stealthp.rsslib.RSSParser;public class RssNewsFetcher {/** * rss订阅列表 */private final static String[] rssArr = new String[] {//"http://news.baidu.com/n?cmd=1&class=civilnews&tn=rss","http://xiaoxian100.blog.163.com/rss","http://blog.csdn.net/xiaoxian8023/rss/list" };/** * 测试解析rss订阅 * @throws IOException */public void testFetchRssNews() throws IOException {for (int i = 0; i < rssArr.length; i++) {try {//获取rss订阅地址URL url = new URL(rssArr[i]);RSSHandler handler = new RSSHandler();//解析rssRSSParser.parseXmlFile(url, handler, false);//获取Rss频道信息RSSChannel ch = handler.getRSSChannel();System.out.println("---------------------------------------------");System.out.println("博客标题：" + ch.getTitle());System.out.println("博客链接：" + ch.getLink());System.out.println("博客描述：" + ch.getDescription());System.out.println("博客语言：" + ch.getLanguage());System.out.println("发布时间：" + ch.getPubDate());System.out.println("图片地址：" +ch.getRSSImage().getUrl());System.out.println("图片指向：" +ch.getRSSImage().getLink());System.out.println("共有文章数目为：" + ch.getItems().size());//for(i=0;i<ch.getItems().size();i++){for(int j=0;j<1;j++){   //这里为了方便测试，只取一次循环，真实使用时，需选用上面那句代码RSSItem item = (RSSItem)ch.getItems().get(j);System.out.println("文章标题：" + item.getTitle());System.out.println("文章摘要：" + item.getSummary());//System.out.println("文章正文：" + item.getDescription());//这里为了演示方便，我取正文的前100个字符，真实使用时，需选用上面那句代码System.out.println("文章正文：" + item.getDescription().substring(0, 100));System.out.println("文章链接：" + item.getLink());System.out.println("发表时间：" + item.getPubDate());System.out.println("文章作者：" + item.getAuthor());System.out.println("最新修改：" + item.getDate());}} catch (MalformedURLException e) {e.printStackTrace();} catch (RSSException e) {e.printStackTrace();}}}public static void main(String[] args) throws IOException{RssNewsFetcher fetcher = new RssNewsFetcher();fetcher.testFetchRssNews();}}

       测试结果如图：

       已经修改的差不多了，下一步就是做成jar，以供本项目使用。步骤很简单。右键项目，选择“导出”→“Java”→“jar文件”，下一步，把右侧的勾全去掉，然后设定一下jar的生成路径，点击“完成”即可。javadoc生成方式差不多，可以参考这里。

      手痒了么？快来试试看吧。当然，现在做的myrsslib4j 跟rsslib4j一样，仅仅支持rss格式的博客。下篇博客给大家奉献修改过的rome——myrome，它很好的支持了rss和atom 2种格式的博客。此阅读器会以myrome来解析在线的订阅信息，敬请期待吧。

      加句题外话，为了更好的与大家分享，我在Google Code中上传了myrsslib4j的源代码。项目主页：https://code.google.com/p/myrsslib4j/ 。个人能力所限，难免会有瑕疵，欢迎大家多多指正。