HtmlUnit、Httpclient、Jsoup爬取网页信息并解析

来源：互联网发布：软件工程软件测量过程编辑：程序博客网时间：2024/05/16 05:33

爬取页面效果图

点击”百度一下”按钮前页面：

这里写图片描述

点击”百度一下”按钮后页面：

这里写图片描述

天涯社区登录页面：

这里写图片描述

登录进去之后个人主页：

这里写图片描述

具体的实现代码

pom.xml文件

<!-- https://mvnrepository.com/artifact/net.sourceforge.htmlunit/htmlunit -->    <dependency>        <groupId>net.sourceforge.htmlunit</groupId>        <artifactId>htmlunit</artifactId>        <version>2.26</version>    </dependency>    <!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->    <dependency>        <groupId>org.jsoup</groupId>        <artifactId>jsoup</artifactId>        <version>1.7.2</version>    </dependency>

HtmlUnit(底层也是采用httpclient)和jsoup API

package com.yuanhai.test;import java.io.IOException;import java.net.MalformedURLException;import org.jsoup.Connection;import org.jsoup.Jsoup;import org.jsoup.nodes.Document;import org.jsoup.nodes.Element;import org.jsoup.safety.Whitelist;import org.jsoup.select.Elements;import org.junit.Assert;import org.junit.Test;import com.gargoylesoftware.htmlunit.BrowserVersion;import com.gargoylesoftware.htmlunit.DefaultCredentialsProvider;import com.gargoylesoftware.htmlunit.NicelyResynchronizingAjaxController;import com.gargoylesoftware.htmlunit.WebClient;import com.gargoylesoftware.htmlunit.html.HtmlAnchor;import com.gargoylesoftware.htmlunit.html.HtmlButton;import com.gargoylesoftware.htmlunit.html.HtmlDivision;import com.gargoylesoftware.htmlunit.html.HtmlForm;import com.gargoylesoftware.htmlunit.html.HtmlInput;import com.gargoylesoftware.htmlunit.html.HtmlPage;import com.gargoylesoftware.htmlunit.html.HtmlSubmitInput;import com.gargoylesoftware.htmlunit.html.HtmlTextInput;//参考博文//1.http://blog.csdn.net/zstu_cc/article/details/39250903//2.http://blog.csdn.net/cslie/article/details/48735261public class HtmlUnitAndJsoup {    /*     * 首先说说HtmlUnit相对于HttpClient的最明显的一个好处,     * 是HtmlUnit不仅保存了这个网页对象，更难能可贵的是它还存有这个网页的所有基本操作甚至事件。     * 现在很多网站使用大量ajax，普通爬虫无法获取js生成的内容。     */    /*     * 依赖的jar包 commons-lang3-3.1.jar htmlunit-2.13.jar htmlunit-core-js-2.13.jar     * httpclient-4.3.1.jar httpcore-4.3.jar httpmime-4.3.1.jar sac-1.3.jar     * xml-apis-1.4.01.jar commons-collections-3.2.1.jar commons-io-2.4.jar     * xercesImpl-2.11.0.jar xalan-2.7.1.jar cssparser-0.9.11.jar     * nekohtml-1.9.19.jar     */    // 百度新闻高级搜索    @Test    public void HtmlUnitBaiduAdvanceSearch() {        try {            // 得到浏览器对象，直接New一个就能得到，现在就好比说你得到了一个浏览器了            WebClient webclient = new WebClient();            // 这里是配置一下不加载css和javaScript,配置起来很简单，是不是            webclient.getOptions().setCssEnabled(false);            webclient.getOptions().setJavaScriptEnabled(false);            // 做的第一件事，去拿到这个网页，只需要调用getPage这个方法即可            HtmlPage htmlpage = webclient                    .getPage("http://news.baidu.com/advanced_news.html");            // 根据名字得到一个表单，查看上面这个网页的源代码可以发现表单的名字叫“f”            final HtmlForm form = htmlpage.getFormByName("f");            System.out.println(form);            // 同样道理，获取”百度一下“这个按钮            final HtmlSubmitInput button = form.getInputByValue("百度一下");            System.out.println(button);            // 得到搜索框            final HtmlTextInput textField = form.getInputByName("q1");            System.out.println(textField);            // 看下爬虫的相关知识            textField.setValueAttribute("爬虫");            // 输入好了，我们点一下这个按钮            final HtmlPage nextPage = button.click();            // 我把结果转成String            System.out.println(nextPage);            String result = nextPage.asXml();            System.out.println(result);        } catch (Exception e) {            e.printStackTrace();        }    }    // 测试天涯论坛登陆界面 HtmlUnit 页面JS的自动跳转（响应码是200，但是响应的页面就是一个JS）    // httpClient就麻烦了    @Test    public void TianyaTestByHtmlUnit() {        try {            WebClient webClient = new WebClient();            // The ScriptException is raised because you have a syntactical            // error in your javascript.            // Most browsers manage to interpret the JS even with some kind of            // errors            // but HtmlUnit is a bit inflexible in that sense.            // 加载的页面有js语法错误会抛出异常            webClient.getOptions().setJavaScriptEnabled(true); // 启用JS解释器，默认为true            webClient.getOptions().setCssEnabled(false); // 禁用css支持            // 设置Ajax异步处理控制器即启用Ajax支持            webClient                    .setAjaxController(new NicelyResynchronizingAjaxController());            // 当出现Http error时，程序不抛异常继续执行            webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);            // 防止js语法错误抛出异常            webClient.getOptions().setThrowExceptionOnScriptError(false); // js运行错误时，是否抛出异常            // 拿到这个网页            HtmlPage page = webClient                    .getPage("http://passport.tianya.cn/login.jsp");            // 填入用户名和密码            HtmlInput username = (HtmlInput) page.getElementById("userName");            username.type("yourAccount");            HtmlInput password = (HtmlInput) page.getElementById("password");            password.type("yourPassword");            // 提交            HtmlButton submit = (HtmlButton) page.getElementById("loginBtn");            HtmlPage nextPage = submit.click();            System.out.println(nextPage.asXml());        } catch (Exception e) {            e.printStackTrace();        }    }    // jsoup解析文档    @Test    public void jsoupParse() {        try {            /** HtmlUnit请求web页面 */            // 模拟chorme浏览器，其他浏览器请修改BrowserVersion.后面            WebClient wc = new WebClient(BrowserVersion.CHROME);            wc.getOptions().setJavaScriptEnabled(true); // 启用JS解释器，默认为true            wc.getOptions().setCssEnabled(false); // 禁用css支持            wc.getOptions().setThrowExceptionOnScriptError(false); // js运行错误时，是否抛出异常            wc.getOptions().setTimeout(10000); // 设置连接超时时间 ，这里是10S。如果为0，则无限期等待            HtmlPage page = wc.getPage("http://passport.tianya.cn/login.jsp");            String pageXml = page.asXml(); // 以xml的形式获取响应文本            // text只会获取里面的文本,网页html标签和script脚本会被去掉            String pageText = page.asText();            System.out.println(pageText);            // 方法一，通过get方法获取            HtmlButton submit = (HtmlButton) page.getElementById("loginBtn");            // 方法二，通过XPath获取，XPath通常用于无法通过Id搜索，或者需要更为复杂的搜索时            HtmlDivision div = (HtmlDivision) page.getByXPath("//div").get(0);            // 网络爬虫中主要目的就是获取页面中所有的链接            java.util.List<HtmlAnchor> achList = page.getAnchors();            for (HtmlAnchor ach : achList) {                System.out.println(ach.getHrefAttribute());            }            System.out.println("-------jsoup部分------");            // 服务器端进行校验并清除有害的HTML代码,防止富文本提交有害代码            Jsoup.clean(pageXml, Whitelist.basic());            /** jsoup解析文档 */            // 把String转化成document格式            Document doc = Jsoup.parse(pageXml);            Element loginBtn = doc.select("#loginBtn").get(0);            System.out.println(loginBtn.text());            Assert.assertTrue(loginBtn.text().contains("登录"));        } catch (Exception e) {            e.printStackTrace();        }    }    // htmlunit设置代理上网    @Test    public void proxy() {        String proxyHost = "192.168.0.1";        int port = 80;        WebClient webClient = new WebClient(BrowserVersion.CHROME, proxyHost,                port);        webClient.setAjaxController(new NicelyResynchronizingAjaxController());        DefaultCredentialsProvider credentialsProvider = (DefaultCredentialsProvider) webClient                .getCredentialsProvider();        String username = "account";        String password = "password";        credentialsProvider.addCredentials(username, password);    }    // jsoup请求并解析    @Test    public void jsoupCrawl() throws IOException {        String url = "http://passport.tianya.cn/login.jsp";        Connection con = Jsoup.connect(url);// 获取请求连接        // 浏览器可接受的MIME类型。        con.header("Accept",                "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8");        con.header("Accept-Encoding", "gzip, deflate");        con.header("Accept-Language", "zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3");        con.header("Connection", "keep-alive");        con.header("Host", url);        con.header("User-Agent",                "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:26.0) Gecko/20100101 Firefox/26.0");        Document doc = con.get();        Elements loginBtn = doc.select("#loginBtn");        System.out.println(loginBtn.text());// 获取节点中的文本，类似于js中的方法    }}

httpclient模拟post请求登录

package com.yuanhai.test;import java.io.IOException;import java.security.cert.CertificateException;import java.security.cert.X509Certificate;import java.util.ArrayList;import java.util.List;import javax.net.ssl.SSLContext;import org.apache.http.Consts;import org.apache.http.Header;import org.apache.http.HttpResponse;import org.apache.http.NameValuePair;import org.apache.http.client.HttpClient;import org.apache.http.client.entity.UrlEncodedFormEntity;import org.apache.http.client.methods.HttpPost;import org.apache.http.conn.ssl.SSLConnectionSocketFactory;import org.apache.http.conn.ssl.SSLContextBuilder;import org.apache.http.conn.ssl.TrustStrategy;import org.apache.http.impl.client.HttpClients;import org.apache.http.message.BasicNameValuePair;import org.apache.http.util.EntityUtils;import com.steadystate.css.parser.ParseException;/**  * @author  * @date  * @version  *   */  public class TianyaTestByHttpClient {      /**      *  无法实现js页面的自动跳转，HtmlUnit可以     */      public static void main(String[] args) throws Exception {          // 这是一个测试，也是为了让大家看的更清楚，请暂时抛开代码规范性，不要纠结于我多建了一个局部变量等          // 得到认证https的浏览器对象          HttpClient client = getSSLInsecureClient();          // 得到我们需要的post流          HttpPost post = getPost();          // 使用我们的浏览器去执行这个流,得到我们的结果          HttpResponse hr = client.execute(post);          // 在控制台输出我们想要的一些信息          showResponseInfo(hr);      }      private static void showResponseInfo(HttpResponse hr) throws ParseException, IOException {          System.out.println("响应状态行信息：" + hr.getStatusLine());          System.out.println("---------------------------------------------------------------");          System.out.println("响应头信息：");          Header[] allHeaders = hr.getAllHeaders();          for (int i = 0; i < allHeaders.length; i++) {              System.out.println(allHeaders[i].getName() + ":" + allHeaders[i].getValue());          }          System.out.println("---------------------------------------------------------------");          System.out.println("响应正文：");          System.out.println(EntityUtils.toString(hr.getEntity()));       /*   <body>        <script>            location.href="http://passport.tianya.cn:80/online/loginSuccess.jsp?fowardurl=http%3A%2F%2Fwww.tianya.cn%2F110486326&userthird=&regOrlogin=%E7%99%BB%E5%BD%95%E4%B8%AD......&t=1458895519504&k=06d41f547cd05fb5dea1590a60e1ec98&c=669767baea73097dde58423fac777138";        </script>        </body>*/    }      // 得到一个认证https链接的HttpClient对象（因为我们将要的天涯登录是Https的）      // 具体是如何工作的我们后面会提到的      private static HttpClient getSSLInsecureClient() throws Exception {          // 建立一个认证上下文，认可所有安全链接，当然，这是因为我们仅仅是测试，实际中认可所有安全链接是危险的          SSLContext sslContext = new SSLContextBuilder().loadTrustMaterial(null, new TrustStrategy() {              public boolean isTrusted(X509Certificate[] chain, String authType) throws CertificateException {                  return true;              }          }).build();          SSLConnectionSocketFactory sslsf = new SSLConnectionSocketFactory(sslContext);          return HttpClients.custom().//                  setSSLSocketFactory(sslsf)//                  // .setProxy(new HttpHost("127.0.0.1", 8888))                  .build();      }      // 获取我们需要的Post流，如果你是把我的代码复制过去，请记得更改为你的用户名和密码      private static HttpPost getPost() {          HttpPost post = new HttpPost("https://passport.tianya.cn/login");          // 首先我们初始化请求头          post.addHeader("Referer", "https://passport.tianya.cn/login.jsp");          post.addHeader("Host", "passport.tianya.cn");          post.addHeader("Origin", "http://passport.tianya.cn");          // 然后我们填入我们想要传递的表单参数（主要也就是传递我们的用户名和密码）          // 我们可以先建立一个List，之后通过post.setEntity方法传入即可          // 写在一起主要是为了大家看起来方便，大家在正式使用的当然是要分开处理，优化代码结构的          List<NameValuePair> paramsList = new ArrayList<NameValuePair>();          /*           * 添加我们要的参数，这些可以通过查看浏览器中的网络看到，如下面我的截图中看到的一样          * 不论你用的是firebug,httpWatch或者是谷歌自带的查看器也好,都能查看到（后面会推荐辅助工具来查看）          * 要把表单需要的参数都填齐，顺序不影响          */          paramsList.add(new BasicNameValuePair("Submit", ""));          paramsList.add(new BasicNameValuePair("fowardURL", "http://www.tianya.cn"));          paramsList.add(new BasicNameValuePair("from", ""));          paramsList.add(new BasicNameValuePair("method", "name"));          paramsList.add(new BasicNameValuePair("returnURL", ""));          paramsList.add(new BasicNameValuePair("rmflag", "1"));          paramsList.add(new BasicNameValuePair("__sid", "1#1#1.0#a6c606d9-1efa-4e12-8ad5-3eefd12b8254"));          // 你可以申请一个天涯的账号 并在下两行代码中替换为你的用户名和密码          paramsList.add(new BasicNameValuePair("vwriter", "yourAccount"));// 替换为你的用户名          paramsList.add(new BasicNameValuePair("vpassword", "yourPassword"));// 你的密码          // 将这个参数list设置到post中          post.setEntity(new UrlEncodedFormEntity(paramsList, Consts.UTF_8));          return post;      }  }

参考文章：
http://blog.csdn.net/zstu_cc/article/details/39250903
http://blog.csdn.net/cslie/article/details/48735261

本文出自 “点滴积累” 博客，请务必保留此出处http://tianxingzhe.blog.51cto.com/3390077/1755511

阅读全文

0 0