如何用java获取网页源代码

如何用java爬取网页源代码

分为3个步骤：

1. 分析实现方式
2. 代码展示
3. 结果展示

1、分析

以b站为例 抓取b站的源代码是这样的

那么我可以用URL对象获取HttpURLConnection对象

HttpURLConnection对象：它继承自URLConnection，可用于向指定网站发送GET请求、POST请求。

调用URL中的 openConnection（）再通过强转获得连接对象HttpURLConnection

HttpURLConnection 向网页发送请求然后我们读取网页的源代码

在我们发送请求的时候可能有些网址会报一个错误：Server returned HTTP response code: 403 for URL

这个错误的意思大概就是服务器的安全设置不接受Java程序作为客户端访问

这个时候我们需要进行安全设置：

//这个方法是HttpURLConnection中的方法  参数内容具体什么意思我也不知道，反正就是设置安全性
setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");

既然说到读取 那么就需要InputStream输入流 在HttpURLConnection有个 getInputStream()方法 可以获取我们的输入流对象

获取到了输入流就等于是已经拿到了源码

下面展示代码 我会把捕获到的源码写入到txt文件中

2、代码展示

main方法

public static void main(String[] args) throws Exception{
    getURLData("https://www.bilibili.com/","utf-8");
}

getURLData是我自己定义的方法 我是在方法中实现获取源码

getURLData 方法

static void getURLData(String Url, String coding) throws Exception {
    //创建URL对象  参数设置需要爬取的网址 也就是我们方法传过来的参数
    URL url = new URL(Url);

    //得到一个HttpURLConnection 对象
    HttpURLConnection huc = (HttpURLConnection) url.openConnection();
    //防止出现Server returned HTTP response code: 403 for URL 的错误
    //也就是服务器的安全设置不接受Java程序作为客户端访问  所以我们进行安全设置
    huc.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 5.0; Windows NT; DigExt)");
    
    //通过HttpURLConnection获得输入流对象
    InputStream is = huc.getInputStream();
    
    //使用缓冲字符输入流获取源码  设置编码
    BufferedReader r = new BufferedReader(new InputStreamReader(is,coding));
    String line;
    
    //写入文件中
    BufferedWriter bw = new BufferedWriter(new FileWriter("E:\\1、idea项目\\算法和数据结构\\Demo\\src\\test\\_爬网址源码\\1.txt"));
    //readLine()一次读一行 
    while ((line = r.readLine()) != null){
        bw.write(line);
        //读完一行就换行
        bw.newLine();
        //清空缓冲区
        bw.flush();
    }
    //关闭资源
    bw.close();
    r.close();
    is.close();
}

3、结果展示

这样我们就获得了b站的源代码，如果想要只爬取自己想要的数据
那么对数据（字符串）进行一个过滤就行了

学会了的点个赞吧~