API例子：用Java/JavaScript下载内容提取器

来源：互联网发布：网上兼职淘宝客服招聘编辑：程序博客网时间：2024/05/17 04:18

1，引言

本文讲解怎样用Java和JavaScript使用 GooSeeker API 接口下载内容提取器，这是一个示例程序。什么是内容提取器？为什么用这种方式？源自Python即时网络爬虫开源项目：通过生成内容提取器，大幅节省程序员时间。具体请参看《内容提取器的定义》。

2，用Java下载内容提取器

这是一系列实例程序中的一个，就目前编程语言发展来看，Java实现网页内容提取并不合适，除了语言不够灵活便捷以外，整个生态不够活跃，可选的类库增长缓慢。另外，要从JavaScript动态网页中提取内容，Java也很不方便，需要一个JavaScript引擎。用JavaScript下载内容提取器可以直接跳到第3部分的内容。

具体实现

注解：

使用Java类库 jsoup（1.8.3以上版本），可以很便利、快速的获取网页dom。
通过GooSeeker API 获取xslt（参考 1分钟快速生成用于网页内容提取的xslt）
使用Java自带的类TransformerFactory执行网页内容转换

源代码如下：

    public static void main(String[] args)    {        InputStream xslt = null;        try        {            String grabUrl = "http://m.58.com/cs/qiuzu/22613961050143x.shtml"; // 抓取网址            String resultPath = "F:/temp/xslt/result.xml"; // 抓取结果文件的存放路径            // 通过GooSeeker API接口获得xslt            xslt = getGsExtractor();            // 抓取网页内容转换结果文件            convertXml(grabUrl, xslt, resultPath);        } catch (Exception e)        {            e.printStackTrace();        } finally        {            try            {                if (xslt != null)                    xslt.close();            } catch (IOException e)            {                e.printStackTrace();            }        }    }    /**     * @description dom转换     */    public static void convertXml(String grabUrl, InputStream xslt, String resultPath) throws Exception    {        // 这里的doc对象指的是jsoup里的Document对象        org.jsoup.nodes.Document doc = Jsoup.parse(new URL(grabUrl).openStream(), "UTF-8", grabUrl);        W3CDom w3cDom = new W3CDom();        // 这里的w3cDoc对象指的是w3c里的Document对象        org.w3c.dom.Document w3cDoc = w3cDom.fromJsoup(doc);        Source srcSource = new DOMSource(w3cDoc);        TransformerFactory tFactory = TransformerFactory.newInstance();        Transformer transformer = tFactory.newTransformer(new StreamSource(xslt));        transformer.transform(srcSource, new StreamResult(new FileOutputStream(resultPath)));    }    /**     * @description 获取API返回结果     */    public static InputStream getGsExtractor()    {        // api接口        String apiUrl = "http://www.gooseeker.com/api/getextractor";        // 请求参数        Map<String,Object> params = new HashMap<String, Object>();        params.put("key", "xxx");  // Gooseeker会员中心申请的API KEY        params.put("theme", "xxx");  // 提取器名，就是用MS谋数台定义的规则名        params.put("middle", "xxx");  // 规则编号，如果相同规则名下定义了多个规则，需填写        params.put("bname", "xxx"); // 整理箱名，如果规则含有多个整理箱，需填写        String httpArg = urlparam(params);        apiUrl = apiUrl + "?" + httpArg;        InputStream is = null;        try        {            URL url = new URL(apiUrl);            HttpURLConnection urlCon = (HttpURLConnection) url.openConnection();            urlCon.setRequestMethod("GET");            is = urlCon.getInputStream();        } catch (ProtocolException e)        {            e.printStackTrace();        } catch (IOException e)        {            e.printStackTrace();        }        return is;    }    /**     * @description 请求参数     */    public static String urlparam(Map<String, Object> data)    {        StringBuilder sb = new StringBuilder();        for (Map.Entry<String, Object> entry : data.entrySet())        {            try            {                sb.append(entry.getKey()).append("=").append(URLEncoder.encode(entry.getValue() + "", "UTF-8")).append("&");            } catch (UnsupportedEncodingException e)            {                e.printStackTrace();            }        }        return sb.toString();    }

返回结果如下：

3，用JavaScript下载内容提取器

请注意，如果本例的JavaScript代码是在网页上运行的，因为跨域问题，是无法实现非本站网页内容爬取的。所以，要运行在具有特权的JavaScript引擎上，比如，浏览器扩展程序、自研的浏览器、自己的程序中含有JavaScript引擎等。

本例为了实验方便，仍然放在网页上运行，为了绕开跨域问题，是把目标网页存下来并进行修改，把JavaScript插入进去。这么多人工操作，仅仅是为了实验，正式使用的时候需要考虑别的手段。

具体实现

注解：

引用 jQuery 类库（jQuery-1.9.0 以上）

为了解决跨域问题，把目标网页预先保存到硬盘上
在目标网页中插入JavaScript代码
使用GooSeeker API，把内容提取器下载下来，内容提取器是一个xslt程序，下例使用了jQuery的ajax方法从api获得xslt
用xslt处理器作内容提取

下面是源代码：

// 目标网页网址为http://m.58.com/cs/qiuzu/22613961050143x.shtml，预先保存成本地html文件，并插入下述代码$(document).ready(function(){    $.ajax({        type: "get",         url: "http://www.gooseeker.com/api/getextractor?key=申请的appKey&theme=规则主题名",         dataType: "xml",         success: function(xslt)            {            var result = convertXml(xslt, window.document);            alert("result:" + result);        }     });  });/* 用xslt将dom转换为xml对象 */function convertXml(xslt, dom){    // 定义XSLTProcessor对象    var xsltProcessor = new XSLTProcessor();    xsltProcessor.importStylesheet(xslt);    // transformToDocument方式    var result = xsltProcessor.transformToDocument(dom);    return result;}

返回结果截图如下

4，展望

同样可以用Python来获取指定网页内容，感觉Python的语法更加简洁，后续增加Python语言的示例，有兴趣的小伙伴可以加入一起研究。

5，相关文档

1， Python即时网络爬虫：API说明

6，集搜客GooSeeker开源代码下载源

1， GooSeeker开源Python网络爬虫GitHub源

7，文档修改历史

1，2016-06-24：V1.0

0 0