起源
我对抓取和处理数据挺感兴趣的，以前试过用PHP抓取饭否用户的数据，得出饭否用户统计（放在秘饭里），当时特别需要能有定时执行一个程序持续抓取数据的功能，但找不到方法，暑假发现GAE有cron功能时挺兴奋，就琢磨着要做个什么东西，抓取一些什么数据玩玩。可惜饭否挂了，否则我做的肯定是饭否的应用，饭否没了，就捣鼓twitter了。
想着想着，就想出抓取twitter上说中文的用户，形成一个排行榜，一个圈子，就是推特中文圈了，因为可以不断抓取数据，每个人最新的一条推都保存在数据库里，更新时间也保存，然后读取数据库，根据更新时间排序取出数据，就能形成的“随便看看”功能了。我最初想做的，就是这两个东西。实实在在的一个“中文圈”，后来闲着也是闲着，干脆把使用twitter需要的功能都加上了。没想到后来受欢迎的是这些普通功能，最初的那两个功能反响反倒不怎么样。另外，在中文圈发消息的时候，会自动更新存在GAE数据库里对应的用户数据，所以会马上显示在随便看看里。用的人多了，随便看看的更新就比单纯后台抓取数据快多了。
后来GAE版被封，改写PHP版，不愿放弃排行榜和随便看看，于是修改了程序，还是那样抓取数据，再提供个页面输出json数据，让php程序调用。
本来打算开源PHP版twitese后下一步就是要开源这个抓取数据提供API的GAE程序的，但一因为懒，二因为大家似乎没这个需求，就搁置了，今天偶尔想起来，就放上吧。
程序
项目主页：http://code.google.com/p/twiteseapi/
原理
读取FecthHelper数据库获得用户id和页码（第一次用下面写的initFetch页面写入初始数据），抓取他的好友列表，循环每一个用户，判断他的姓名、desecration、最新的推里有没有中文，有的话保存进TwitterUser数据库，没有的话跳过。一个页面的好友列表处理完后，判断此页是否为末页（根据好友个数是否小于一个数），不是末页则把下一页的页码写入FecthHelper数据库，等待下次执行。是末页则读取数据库TwitterUser里另一个用户的数据，存入FetchHelper，等待下次执行。
使用
在eclipse新建一个GAE项目，再把文件覆盖进去。改一下appengine-web.xml里的名字，剩下的就是提交上传了。
页面
4个功能页面：
initFetch页面，源文件InitFetchData.java
上传程序后首先运行这个页面，初始化生成FetchData数据库，写入当前要抓取的用户和页码。
fetch页面，源文件FetchData.java
核心页面，读取FetchData数据库取出用户名和页码，抓取它的好友列表，保存进数据库TwitterUser，按照不同条件判断继续下一页抓取还是改变抓取的用户。
reset页面，源文件ResetData.java
读取过的twitter用户在数据库里会标志readed=true，fetch抓取时间过长可能会导致所有用户readed都为true，这个页面每次修改100个用户的readed为false。
delete页面，源文件DeleteData。java
删除数据库TwitterUser里的数据，每次删除300条。
其中fetch reset delete都应该通过cron不断执行。
2个输出页面：
rank.json页面，源文件RankJson.java
输出排行榜数据，格式：
[{
"profile_img_url": "http://……",
"screen_name": "bang590",
"name": "bang",
"description": "",
"followers_count": 1455053,
"friends_count": 72,
"statuses_count": 586
},
……
]
接受参数：页码page 条数count 均为optional
browse.json，源文件BrowseJson.java
输出随便看看数据，格式：
[{
"profile_img_url": "http://……",
"screen_name": "bang590",
"name": "bang",
"text": "推内容",
"created_at": "Tue Dec 08 15:15:50 UTC 2009",
"id": 6465851422,
"source": "web"
},
……
]
接受参数：页码page 条数count 均为optional
目前存在的问题是，没判断API Rate limit，抓取时超过了API限制直接跳过了。
偶尔一些外国人的推里出现了中文，也会被抓取进数据库。程序写得很乱，没去整理，挺多地方有摇摇欲坠的感觉。不过上线运行了挺长时间，应该还算靠谱吧~
