轉載請標明出處：http://blog.csdn.net/lmj623565791/article/details/23866427
今天又遇到一個網頁數據抓取的任務，給大家分享下。
說道網頁信息抓取，相信Jsoup基本是首選的工具，完全的類JQuery操作，讓人感覺很舒服。但是，今天我們就要說一說Jsoup的不足。
1、首先我們新建一個頁面
- <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">
- <html>
- <head>
- <title>main.html</title>
- <meta http-equiv="keywords" content="keyword1,keyword2,keyword3">
- <meta http-equiv="description" content="this is my page">
- <meta http-equiv="content-type" content="text/html; charset=UTF-8">
- <style type="text/css">
- a {
- line-height: 30px;
- margin: 20px;
- }
- </style>
- <!--<link rel="stylesheet" type="text/css" href="./styles.css">-->
- <script type="text/javascript">
- var datas = [ {
- href : "http://news.qq.com/a/20140416/017800.htm",
- title : "高校一保安長相酷似作家莫言"
- }, {
- href : "http://news.qq.com/a/20140416/015167.htm",
- title : "男子單臂託舉懸空女半小時"
- }, {
- href : "http://news.qq.com/a/20140416/013808.htm",
- title : "女子上門討房租遭強姦拍裸照"
- }, {
- href : "http://news.qq.com/a/20140416/016805.htm",
- title : "澳洲駱駝愛喝冰鎮啤酒解暑"
- } ];
- window.onload = function() {
- var infos = document.getElementById("infos");
- for( var i = 0 ; i < datas.length ; i++)
- {
- var a = document.createElement("a");
- a.href = datas[i].href ;
- a.innerText = datas[i].title;
- infos.appendChild(a);
- infos.appendChild(document.createElement("br"))
- }
- }
- </script>
- </head>
- <body>
- Hello Main HttpUnit!
- <br>
- <div id="infos"
- style="width: 60%; border: 1px solid green; border-radius: 10px; margin: 0 auto;">
- </div>
- </body>
- </html>
我們審查元素：
如果你看到這樣的頁面，你會覺得拿Jsoup來抓取，簡直就是呵呵，小菜一疊，於是我們寫了這樣的代碼：
- @Test
- ublic void testUserJsoup() {
- try {
- Document doc = Jsoup.connect(
- "http://localhost:8080/strurts2fileupload/main.html")
- .timeout(5000).get();
- Elements links = doc.body().getElementsByTag("a");
- for (Element link : links) {
- System.out.println(link.text() + " " + link.attr("href"));
- }
- } catch (IOException e) {
- e.printStackTrace();
- }
於是我們再回到頁面，打開頁面源代碼，也就是上面的HTML代碼，你恍然大悟，我靠，body裏面根本沒有數據，難怪抓不到。這就是Jsoup的不足，如果Jsoup去抓取的頁面的數據，全都是頁面加載完成後，ajax獲取形成的，是抓取不到的。
下面給大家推薦另一個開源項目：HttpUnit，看名字是用於測試的，但是用來抓取數據也不錯
我們開始編寫類似Jsoup的代碼：
- @Test
- public void testUserHttpUnit() throws FailingHttpStatusCodeException,
- MalformedURLException, IOException {
- /** HtmlUnit請求web頁面 */
- WebClient wc = new WebClient(BrowserVersion.CHROME);
- wc.getOptions().setUseInsecureSSL(true);
- wc.getOptions().setJavaScriptEnabled(true); // 啓用JS解釋器，默認爲true
- wc.getOptions().setCssEnabled(false); // 禁用css支持
- wc.getOptions().setThrowExceptionOnScriptError(false); // js運行錯誤時，是否拋出異常
- wc.getOptions().setTimeout(100000); // 設置連接超時時間 ，這裏是10S。如果爲0，則無限期等待
- wc.getOptions().setDoNotTrackEnabled(false);
- HtmlPage page = wc
- .getPage("http://localhost:8080/strurts2fileupload/main.html");
- DomNodeList<DomElement> links = page.getElementsByTagName("a");
- for (DomElement link : links) {
- System.out
- .println(link.asText() + " " + link.getAttribute("href"));
- }
- }
完美解決，HttpUnit其實就相當於一個沒有UI的瀏覽器，它可以讓頁面上的js執行完成後，再抓取信息，具體的介紹，google一下就行。主要給大家介紹一種方案！
如果你覺得這篇文章對你有用，就頂一個~