网页信息抓取进阶 支持Js生成数据 Jsoup的不足之处
来源:互联网 发布:飞腾排版软件课件 编辑:程序博客网 时间:2024/05/16 08:02
转载请标明出处:http://blog.csdn.net/lmj623565791/article/details/23866427
今天又遇到一个网页数据抓取的任务,给大家分享下。
说道网页信息抓取,相信Jsoup基本是首选的工具,完全的类JQuery操作,让人感觉很舒服。但是,今天我们就要说一说Jsoup的不足。
1、首先我们新建一个页面
- <!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 : "高校一保安长相酷似作家莫言"
- }, {
- href : "http://news.qq.com/a/20140416/015167.htm",
- title : "男子单臂托举悬空女半小时"
- }, {
- href : "http://news.qq.com/a/20140416/013808.htm",
- title : "女子上门讨房租遭强奸拍裸照"
- }, {
- href : "http://news.qq.com/a/20140416/016805.htm",
- title : "澳洲骆驼爱喝冰镇啤酒解暑"
- } ];
- 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>
我们审查元素:
如果你看到这样的页面,你会觉得拿Jsoup来抓取,简直就是呵呵,小菜一叠,于是我们写了这样的代码:
- @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();
- }
于是我们再回到页面,打开页面源代码,也就是上面的HTML代码,你恍然大悟,我靠,body里面根本没有数据,难怪抓不到。这就是Jsoup的不足,如果Jsoup去抓取的页面的数据,全都是页面加载完成后,ajax获取形成的,是抓取不到的。
下面给大家推荐另一个开源项目:htmlunit,看名字是用于测试的,但是用来抓取数据也不错
我们开始编写类似Jsoup的代码:
- @Test
- public void testUserHttpUnit() throws FailingHttpStatusCodeException,
- MalformedURLException, IOException {
- /** HtmlUnit请求web页面 */
- WebClient wc = new WebClient(BrowserVersion.CHROME);
- wc.getOptions().setUseInsecureSSL(true);
- 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(100000); // 设置连接超时时间 ,这里是10S。如果为0,则无限期等待
- 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"));
- }
- }
完美解决,htmlunit其实就相当于一个没有UI的浏览器,它可以让页面上的js执行完成后,再抓取信息,具体的介绍,google一下就行。主要给大家介绍一种方案!
如果你觉得这篇文章对你有用,就顶一个~
0 0
- 网页信息抓取进阶 支持Js生成数据 Jsoup的不足之处
- 网页信息抓取进阶 支持Js生成数据 Jsoup的不足之处
- 网页信息抓取进阶 支持Js生成数据 Jsoup的不足之处
- 网页信息抓取进阶 支持Js生成数据 Jsoup的不足之处
- 网页信息抓取进阶 支持Js生成数据 Jsoup的不足之处
- 网页信息抓取进阶 支持Js生成数据 Jsoup的不足之处
- 网页信息抓取进阶 支持Js生成数据 Jsoup的不足之处
- 网页信息抓取进阶 Jsoup的不足之处
- 网页信息抓取进阶 Jsoup的不足之处
- jsoup 抓取网页数据
- Jsoup抓取网页信息学习
- HttpClient+Jsoup 抓取网页信息
- Java抓取网页数据-----Jsoup
- HttpClient + Jsoup 网页数据抓取
- Jsoup网页数据抓取案例
- Jsoup 抓取网页信息(2) 需要Login的网页信息抓取
- HTML Parser Jsoup - 网页抓取百度百科信息的例子
- 关于网页抓取信息 Jsoup 和 HttpUnit 的使用
- 欢迎使用CSDN-markdown编辑器
- 五笔输入法总结
- leetcode 102 Binary Tree Level Order Traversal
- WebGoat安装与配置
- Oracle数据库中分析函数的使用过程
- 网页信息抓取进阶 支持Js生成数据 Jsoup的不足之处
- [LeetCode]Longest Valid Parentheses(!!!)
- iOS多线程编程之NSOperation和NSOperationQueue的使用
- arduino uno 多机串口通信
- 怎么把控制台输入命令之后显示的东西保存到一个记事本中
- Activity的生命周期
- HDU1181-变形课(DFS深搜入门题)
- laravel5.0 view层页面之间的跳转流程[通过route路由控制]
- 自动驾驶与车联网