一直在尝试用java来爬取网页,然而java总是无法处理动态网页,尤其是js产生的网页。而在如今的web2.0时代,许多的数据都涉及到js,比如新闻评论、微博等。java中htmlparser和htmlunit结合是可以处理静态网页、提交表单的,如爬取人人网,但对于新闻评论就没办法了。也有一些号称可以处理动态网页的开源项目,如jrex等一些开源的浏览器项目。但是我试过之后,总是不能很好的解决,有的可能能处理一小部分的动态网页,但是总是有这样那样的问题,也没有找出处理js后的源码。
一直听说c#中的webbrowser可以处理几乎所有的动态网页,功能很强大。只是之前借用朋友的代码看了看,并从webbrowser执行后的html打印出来(webBrowser1.DocumentText),可发现也是没有执行js之前的源码。于是对其很失望,找了很多的代码发现都是如此。后来再csdn下了一个代码,发现要获取webbrowser执行后的html源码不是我以前看到的,而是webBrowser1.Document.Body.OuterHtml,才恍然大悟。总算找到了出路。
保存源码到文件
private int SaveToFile(string body, string fileName)
{
try
{
FileStream fs = new FileStream("E:\\"+fileName + ".html", FileMod