益达教你如何抓取Ajax动态页面

 何为Ajax动态网页，我想不用我多说了吧，如果你连Ajax是啥玩意儿都不知道，那你还是先去Google学习Ajax吧。为了形象起见，这里我以抓取这个网页为例进行讲解说明。网页链接如下：
       http://www.sse.com.cn/assortment/stock/list/name/

       很明显，我们要抓取的数据是

 打开谷歌浏览器的开发者工具，我们会发现，他其实是采用Ajax方式动态加载的，且采用的jsonp跨域方式返回的，分析如图：

 

 

 由此可以推断，分页部分信息是通过JavaScript动态往DOM中插入的，如果你仅仅是通过类似HttpClient之类的工具来模拟Http请求来获取网页信息的话，你得到的网页内容将不是完整的，而HtmlUnit可以做到。

      OK,回到主题，可能你还是第一次听说有个HtmlUnit这个玩意儿，有可能你是大咖早已听说，但我还是觉得还是官方的解释说明最权威，我就不瞎BB了，看图：

      总之，一句话，HtmlUnit其实就是一个测试工具，方便测试人员进行功能测试，它能模拟诸如谷歌浏览器，火狐浏览器，IE浏览器等常见主流浏览器的行为。废话不多说，我直接上demo:

     

Java代码  

1. /** 
2.  * 上海证券交易所数据抓取测试 
3.  * @since 1.0 
4.  * @author  Lanxiaowei@citic-finance.com 
5.  * @date    2015-8-27下午6:16:14 
6.  * 
7.  */  
8. public class ShangHaiStockTest {  
9.     public static void main(String[] args) throws Exception {  
10.         downloadListPage();  
11.     }  
12.       
13.     public static void downloadListPage() throws Exception {  
14.         WebClient webClient = new WebClient(BrowserVersion.FIREFOX_38);  
15.         webClient.getOptions().setCssEnabled(false);    
16.         webClient.getOptions().setJavaScriptEnabled(true);    
17.         webClient.getOptions().setActiveXNative(false);  
18.         webClient.getOptions().setAppletEnabled(false);  
19.         webClient.getOptions().setRedirectEnabled(false);  
20.         webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);  
21.         webClient.getOptions().setThrowExceptionOnScriptError(false);  
22.         webClient.getOptions().setUseInsecureSSL(false);  
23.         webClient.getOptions().setTimeout(10000000);  
24.         webClient.setAjaxController(new NicelyResynchronizingAjaxController());  
25.           
26.         int totalPage = 22;  
27.         boolean first = true;  
28.         HtmlPage page = null;  
29.         do {  
30.             if(first) {  
31.                 page = (HtmlPage)webClient.getPage("http://www.sse.com.cn/assortment/stock/list/name/");  
32.                 FileUtils.writeFile(page.asXml(), "C:/shh/list/" + totalPage + ".html", "UTF-8", false);  
33.                 first = false;  
34.             } else {  
35.                 HtmlAnchor anchor = null;  
36.                 if(totalPage == 22 -1) {  
37.                     anchor = (HtmlAnchor) page.getHtmlElementById("xsgf_next");  
38.                 } else {  
39.                     anchor = (HtmlAnchor) page.getHtmlElementById("dateList_container_next");  
40.                 }  
41.                 page = (HtmlPage) anchor.click();  
42.                 FileUtils.writeFile(page.asXml(), "C:/shh/list/" + totalPage + ".html", "UTF-8", false);  
43.             }  
44.               
45.             totalPage--;  
46.         } while(totalPage > 0);  
47.           
48.         //关闭模拟窗口    
49.         webClient.closeAllWindows();  
50.     }  
51. }  

    关键点：

   1.webClient.getOptions().setJavaScriptEnabled(true);
     启用JavaScript

   2.webClient.setAjaxController(new NicelyResynchronizingAjaxController());

     设置Ajax异步处理控制器即启用Ajax支持

  3.webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);

     webClient.getOptions().setThrowExceptionOnScriptError(false);

     这两句很关键，前者表示当出现Http error时，程序不抛异常继续执行，后者表示当JavaScript执行出现异常时直接无视，否则Java代码会直接抛异常，程序中断。

    demo代码里演示了，如何通过代码去模拟点击“下一页”超链接去分页获取每一页的网页内容，然后写入磁盘指定目录。程序很简单，希望能抛砖引玉，程序依赖的jar包如图：

    就说这么多，如果有什么其他问题，请联系我，联系方式如下：
      益达的GitHub地址：请猛戳我，用力，吃点劲儿！！！

转载：http://iamyida.iteye.com/blog/2238622