爬虫开发记录:网站国际化,语言设置
来源:互联网 发布:数据预处理常用函数 编辑:程序博客网 时间:2024/06/05 15:01
最近在做爬虫开发时,目标网站做了国际化,有多种语言。但是我只想要中文的。
爬下来的确是英文的。
在网上找了资料。
一般的网站语言自适应大概就是用IP判断,或者Header信息判断。
IP这个排除掉,因为我网页访问和用HtmlUnit访问都是一个IP。
于是就改了HtmlUnit的header信息。
果然,奏效。
下面是代码
String url="https://www.gfresh.cn/";//想采集的网址 URL link=new URL(url); WebClient wc=new WebClient(); WebRequest request=new WebRequest(link); request.setCharset("UTF-8"); ////设置请求报文头里的User-Agent字段 request.setAdditionalHeader("User-Agent", "Mozilla/5.0 (Windows NT 5.1; rv:6.0.2) Gecko/20100101 Firefox/6.0.2"); request.setAdditionalHeader("Accept-Language", "zh-CN,zh;q=0.8,en-US;q=0.6,en;q=0.4"); //wc.addRequestHeader("User-Agent", "Mozilla/5.0 (Windows NT 5.1; rv:6.0.2) Gecko/20100101 Firefox/6.0.2"); //wc.addRequestHeader和request.setAdditionalHeader功能应该是一样的。选择一个即可。 //其他报文头字段可以根据需要添加 wc.getCookieManager().setCookiesEnabled(true);//开启cookie管理 wc.getOptions().setJavaScriptEnabled(true);//开启js解析。对于变态网页,这个是必须的 wc.getOptions().setCssEnabled(true);//开启css解析。对于变态网页,这个是必须的。 wc.getOptions().setThrowExceptionOnFailingStatusCode(false); wc.getOptions().setThrowExceptionOnScriptError(false); wc.getOptions().setTimeout(10000); //准备工作已经做好了 HtmlPage page=null; page = wc.getPage(request); System.out.println(page.asXml());
随便记录一下吧,之后再完善。还要继续干活儿呢~
阅读全文
0 0
- 爬虫开发记录:网站国际化,语言设置
- 国际化语言记录
- studio 语言国际化设置
- 网站国际化代码-多语言
- struts2国际化设置浏览器语言
- Unity 国际化 多语言设置
- Androd 多语言国际化设置
- Android开发之语言国际化
- iOS开发-APP语言国际化
- android多语言与国际化(记录)
- iOS多语言(国际化)开发(跟随系统 + APP内手动设置)
- GitHub仓库爬虫开发记录
- ios 国际化及默认语言设置
- 如何设置国际化的默认语言
- BIEE11g国际化(多语言设置)二
- BIEE11g国际化(多语言设置)一
- BIEE11g国际化(多语言设置)补充
- iOS多语言本地化(国际化)设置
- JAVA 中BIO,NIO,AIO的理解
- Linux启动过程
- 软件安装
- 公式字符串求值
- 小故事
- 爬虫开发记录:网站国际化,语言设置
- bzoj1097[POI2007]旅游景点atr spfa+状压DP
- ibrix_pv
- Python学习手册 第十四章习题抄写
- 数据结构实验之二叉树七:叶子问题
- Visual studio 无限重启
- linux下nmap的安装
- UVa1218
- spring mvc在非Controller类无法使用Service bean解决方案