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 2022-03-26 20:34:58 发布

谦奕爸爸

最新推荐文章于 2022-03-26 20:34:58 发布

阅读量838

点赞数

分类专栏： # Spider 文章标签： Jsoup 数据

Spider 专栏收录该内容

4 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  
ublic 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：HttpUnit，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：