网页信息抓取进阶支持Js生成数据 Jsoup的不足之处

最新推荐文章于 2024-09-22 10:46:41 发布

山鸡的春天

最新推荐文章于 2024-09-22 10:46:41 发布

阅读量256

点赞数

分类专栏：工具箱文章标签： jquery html 数据 javascript class

工具箱专栏收录该内容

11 篇文章 0 订阅

订阅专栏

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>

页面上观察是这样显示的：

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
    public 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();
        }
    }

你会觉得就这几行代码，轻轻松松搞定，快快乐乐下班。于是运行发现，其实什么的抓取不到。

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"));
        }
    }

再看一下运行结果：