java抓取网站数据

假设你需要获取51job人才网上java人才的需求数量，首先你需要分析51job网站的搜索这一块是怎么运作的，通过解析网页的源代码，我们发现了以下一些信息：
1. 搜索时页面请求的URL是 http://search.51job.com/jobsearch/search_result.php
2. 请求所用的方法为：POST
3. 返回的页面的编码格式为：GBK
4. 假设我们想获取搜索java人才时结果页面中显示的需求数量，我们发现数量位于返回的HTML数据中这样的一段代码之中：<td>1-30 / 14794</td>，于是我们可以得到这样的一个模式：".+1-/d+ / (/d+).+"，第一个分组的内容就是我们需要的最终数据，有关java中的模式，请参考java文档中Pattern类的介绍
5. 另外做为POST请求，页面向服务器发送的数据如下(这个很容易能过prototype这样的js框架抓取到，参考我的其它博客介绍)：lang=c&stype=1&postchannel=0000&fromType=1&line=&keywordtype=2&keyword=java&btnJobarea=%E9%80%89%E6%8B%A9%E5%9C%B0%E5%8C%BA&jobarea=0000&image=&btnFuntype=%E9%80%89%E6%8B%A9%2F%E4%BF%AE%E6%94%B9&funtype=0000&btnIndustrytype=%E9%80%89%E6%8B%A9%2F%E4%BF%AE%E6%94%B9&industrytype=00
对于第5条中的数据哪些是服务器真正需要的我们不管，全部发送过去就是了。有了这些准备，我们就可以真正开始通过java发送请求，并获得最终数据了。

我们定义Resource类，这个类封装所有的与请求有关的信息，Resource包括以下属性：

/** * 需要获取资源的目标地址，不包含查询串 */ private String target; /** * get请求时的查询串，或post请求的请求数据 */ private String queryData = ""; /** * 请求方式，get / post */ private String method = "GET"; /** * 返回的数据的编码类型 */ private String charset = "GBK"; /** * 抓取数据的模式，将根据模式的分组来返回数据列表 */ private String pattern;

以下为抓取内容的代码：

//假设以下代码中res对象封装了所有的请求信息。 //URL指向目的地。 //res.getTarget返回目标地址，且当为get请求时，这个地址包含了查询串的信息 URL url = new URL(res.getTarget()); HttpURLConnection con = (HttpURLConnection) url.openConnection(); //建立到目的地的联接 con.setRequestMethod(res.getMethod()); //设置请求的方法 //设置HTTP请求头信息 con.setRequestProperty("accept", "*/*"); con.setRequestProperty("connection", "Keep-Alive"); con.setRequestProperty("user-agent", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1)"); con.setDoInput(true); if (res.getMethod().equals("POST")) { //如果为Post请求则发送请求数据 con.setDoOutput(true); con.getOutputStream().write(res.getQueryData().getBytes()); con.getOutputStream().flush(); } //通过BufferedReader一行行的读取数据，如果你需要的是全部返回结果，可以修改一下这里 BufferedReader br = new BufferedReader(new InputStreamReader( con.getInputStream(), res.getCharset())); Pattern pattern = Pattern.compile(res.getPattern()); String s = null; while ((s = br.readLine()) != null) { System.out.println(s); Matcher m = pattern.matcher(s); //检测当前行是否与要求结果的模式相匹配 boolean b = m.matches(); if (! b) { continue; } int size = m.groupCount(); List result = new ArrayList(size); for(int i=0; i result.add(m.group(i+1)); //如果有多个分组，则取出所有分组，并把最终结果做为列表返回 } return result; }

如果不需要通过提交表单才能抓取到最终结果，显然上面的操作就有点小题大作了，删除上面的部分代码就可以了。如果还不是很明白的话，可以QQ(370017514)和我联系。