动态爬虫jsoup+jdic实现
2013-09-25 00:45
603 查看
转载自：http://yiyickf.iteye.com/blog/1107108
准备资料
jsoup 是一款 Java 的HTML 解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于JQuery的操作方法来取出和操作数据。jsoup的主要功能如下：
从一个URL，文件或字符串中解析HTML；
使用DOM或CSS选择器来查找、取出数据；
可操作HTML元素、属性、文本；
如果对jsoup不熟悉，请移步http://jsoup.org/
JDIC 全程是 JDesktop Integration Components 目的是构建消除本机应用程序和 Java 等价物之间差距的组件。JDIC 单一的 Java API 允许应用程序接进本机操作系统特性，同时保持跨平台支持。它目前提供了本机 Web 浏览器（Internet Explorer
或 Mozilla） 支持、系统托盘支持、文件扩展集成和其他桌面特性。
官网：http://java.net/projects/jdic/
svn地址，直接下了看例子吧：https://svn.java.net/svn/jdic~svn
helloword程序：http://plplum.blog.163.com/blog/static/31032400200910994034328/
另，刚刚找到的一篇好文章，Java 网页浏览器组件介绍：http://www.ibm.com/developerworks/cn/java/j-lo-browser/index.html
动态核心
jsoup 的解析很好用，但是jsoup不能解析动态的代码，于是就有了JDIC调用ie内核，然后执行Java代码
String jscript = "function getAllHtml() {"+
"var a='';" +
"a = '<html><head><title>';" +
"a += document.title;"+
"a += '</title></head>';"+
"a += document.body.outerHTML;"+
"a += '</html>';"+
"return a;"+
"}"+
"getAllHtml();";
String result = webBrowser.executeScript(jscript);
这段代码得到当前的html，然后交由jsoup 进行解析
Java代码
Document doc=Jsoup.parse(result);
例子
示例目标：招聘网站，希望出来的结果按照公司规模来排序
购物网站，希望商品按照评论的多少来排序
图片搜索，快速保存所有的结果
。。。。。。
下面的演示实现了找出标题，百度图片搜索的前2页，智联招聘的前6页
Java代码
package ins1000.main;
import ins1000.dialect.DefiniteUrl;
import ins1000.dialect.impl.CopyOfDefiniteUrl_zhilianzhaoping;
import ins1000.dialect.impl.DefiniteUrl_baiduMap;
import ins1000.util.BrowserReadHtml;
import java.util.ArrayList;
import java.util.List;
/**
* 以网页翻页为例子
* @author Administrator
*
*/
public class Main{
static List<DefiniteUrl> definiteUrls=new ArrayList<DefiniteUrl>();
static{
definiteUrls.add(new DefiniteUrl_baiduMap());
definiteUrls.add(new CopyOfDefiniteUrl_zhilianzhaoping());
}
public static void main(String[] args) throws Exception {
for(DefiniteUrl du:definiteUrls){
BrowserReadHtml brh= new BrowserReadHtml(du);
brh.begin();
}
}
public static void finish(DefiniteUrl du) {
definiteUrls.remove(du);
if(definiteUrls.size()==0){
System.exit(0);
}
}
}
主类，扩展的时候直接添加definiteUrls.add(new xxx());即可
Java代码
package ins1000.util;
import ins1000.dialect.DefiniteUrl;
import java.awt.BorderLayout;
import java.net.URL;
import java.util.Timer;
import java.util.TimerTask;
import javax.swing.JFrame;
import javax.swing.JPanel;
import org.jdesktop.jdic.browser.WebBrowser;
import org.jdesktop.jdic.browser.WebBrowserEvent;
import org.jdesktop.jdic.browser.WebBrowserListener;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
/**
* 动态读取页面的html
* @author ckf
*
*/
public class BrowserReadHtml {
private DefiniteUrl definiteUrl;
public BrowserReadHtml(DefiniteUrl definiteUrl) {
this.definiteUrl=definiteUrl;
}
private JFrame frame;
private JPanel panel_name=new JPanel();
private WebBrowser webBrowser = new WebBrowser();
public void begin() throws Exception{
initwebBrowser();
frame = new JFrame("Browser Test");
frame.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);
frame.getContentPane().add(webBrowser);
frame.pack();
frame.setSize(900,500);
frame.setLocation((int)(100*Math.random()), (int)(100*Math.random()));
frame.setVisible(definiteUrl.isVisible());
}
int begincount;
private void initwebBrowser() throws Exception{
panel_name.add(webBrowser, BorderLayout.CENTER);
webBrowser .setURL(new URL(definiteUrl.getUrl()));
webBrowser .addWebBrowserListener(new WebBrowserListener() {
public void documentCompleted(WebBrowserEvent event) {
if(begincount==0){
getThisPageResult();
}
begincount++;
}
public void downloadStarted(WebBrowserEvent event) {}
public void downloadCompleted(WebBrowserEvent event) { }
public void downloadProgress(WebBrowserEvent event) { }
public void downloadError(WebBrowserEvent event) { }
public void titleChange(WebBrowserEvent event) { }
public void statusTextChange(WebBrowserEvent event) { }
public void windowClose(WebBrowserEvent arg0) { }
});
}
private void callback(String result) {
Document doc=Jsoup.parse(result);
definiteUrl.page(doc);
if(definiteUrl.isEndPage(doc)){
frame.dispose();
definiteUrl.finish();
}else{
webBrowser.executeScript(definiteUrl.getNextPageJavaScript(doc));
getThisPageResult();
}
}
private void getThisPageResult() {
Timer timer = new Timer(false);
timer.schedule(new AllTask(), 1 * 1000);
}
class AllTask extends TimerTask {
public void run() {
String jscript = "function getAllHtml() {"+
"var a='';" +
"a = '<html><head><title>';" +
"a += document.title;"+
"a += '</title></head>';"+
"a += document.body.outerHTML;"+
"a += '</html>';"+
"return a;"+
"}"+
"getAllHtml();";
String result = webBrowser.executeScript(jscript);
callback(result);
}
}
}
这个类是调用ie浏览器，执行javascript代码，可以不管
Java代码
package ins1000.dialect;
import ins1000.main.Main;
import org.jsoup.nodes.Document;
/**
* 抽象类，每个具体的网站都要继承此类
* @author Administrator
*
*/
public abstract class DefiniteUrl{
private String url;
private boolean visible;
public DefiniteUrl(String url){
this.url=url;
visible=true;
}
public abstract String getNextPageJavaScript(Document doc);
public abstract boolean isEndPage(Document doc);
public abstract void page(Document doc);
public String getUrl() {
return url;
}
public void setUrl(String url) {
this.url = url;
}
public boolean isVisible() {
return visible;
}
public void setVisible(boolean visible) {
this.visible = visible;
}
public void finish() {
Main.finish(this);
}
}
这个是抽象类，每个网站要实现对应的方法
getNextPageJavaScript下一页javascript代码，可以是点击下一页按钮，也可以是直接换url
isEndPage是否为最后一页
page当前页面最终的html代码（动态的html代码）
//以下为具体的实现类，扩展的时候直接继承一个DefiniteUrl
Java代码
package ins1000.dialect.impl;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import ins1000.dialect.DefiniteUrl;
public class DefiniteUrl_baiduMap extends DefiniteUrl{
public DefiniteUrl_baiduMap() {
//设置网站入口地址
super("http://image.baidu.com/i?ct=201326592&cl=2&lm=-1&tn=baiduimage&istype=2&fm=index&pv=&z=0&word=%C2%E3%BB%E9%CA%B1%B4%FA&s=0");
//设置窗口是否可视化，默认为true
//setVisible(false);
}
private int count=1;
@Override
public String getNextPageJavaScript(Document doc) {
count++;
Element el= doc.select("#pgw").select("a").last();
return el.attr("onclick");
}
@Override
public boolean isEndPage(Document doc) {
if(count>=2){
return true;
}else{
return false;
}
}
@Override
public void page(Document doc) {
Elements els= doc.select("#imgid").select("dl");
for(Element el:els){
Element img=el.select("img").first();
Element link=el.select("dt").select("a").first();
System.out.println(link.text()+"=======>"+img.absUrl("src"));
}
}
}
Java代码
package ins1000.dialect.impl;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import ins1000.dialect.DefiniteUrl;
public class CopyOfDefiniteUrl_zhilianzhaoping extends DefiniteUrl{
public CopyOfDefiniteUrl_zhilianzhaoping() {
//设置网站入口地址
super("http://sou.zhaopin.com/jobs/jobsearch_jobtype.aspx?in=210500&jl=%E6%B7%B1%E5%9C%B3&kw=java&sm=1&p=1");
//设置窗口是否可视化，默认为true
//setVisible(false);
}
private int count=1;
@Override
public String getNextPageJavaScript(Document doc) {
String url="http://sou.zhaopin.com/jobs/jobsearch_jobtype.aspx?in=210500&jl=%E6%B7%B1%E5%9C%B3&kw=java&sm=1&p="+count;
String next="window.location.href='"+url+"';";
count++;
return next;
}
@Override
public boolean isEndPage(Document doc) {
if(count>=6){
return true;
}else{
return false;
}
}
@Override
public void page(Document doc) {
Elements els= doc.select("#joblist").select("[class=trW2]");
for(Element el:els){
try {
System.out.print(el.select("a").first().text());
System.out.print("==========>");
System.out.println(el.select("a").eq(1).text());
} catch (Exception e) {
}
}
}
}
有图有真相
附件中有源码，eclipse导出
遗留问题
Java代码private void getThisPageResult() {
Timer timer = new Timer(false);
timer.schedule(new AllTask(), 1 * 1000);
}
class AllTask extends TimerTask {
public void run() {
String jscript = "function getAllHtml() {"+
"var a='';" +
"a = '<html><head><title>';" +
"a += document.title;"+
"a += '</title></head>';"+
"a += document.body.outerHTML;"+
"a += '</html>';"+
"return a;"+
"}"+
"getAllHtml();";
String result = webBrowser.executeScript(jscript);
callback(result);
}
上面是当前代码，求更好的解决方案
现在取得当前的html使用了定时器，1秒后执行，感觉很不精确，有没有什么更好的方式，比如判断当前页面所有的内容都已经加载完了，其它的javascript都已经执行完了的代码？
DynamicParseHtml.rar (1.1 MB)
下载次数: 452
查看图片附件
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- javascriptmvc—steal.clean
- 如何创建一个JavaScript弹出DIV窗口层的效果
- js中的this关键字详解
- javascript date格式化示例
- js读取注册表的键值示例
- js实现两个值相加alert出来精确到指定位
- js跨浏览器实现将字符串转化为xml对象的方法
- js的onload事件及初始化按钮事件示例代码
- JSON解析
- JavaScript实现联动选择
- JavaScript 语句
- 【js学习笔记-052】js中的面向对象技术------集合类
- 计算器（calculator.jsp）
- javascript 基础教程[温故而知新一]
- JavaScript中的字符串
- JSTL详解实例
- jstl中的日期格式化
- javascript date格式化
- Java解析JavaScript数据
- ExtJS 4 grid 带参数 查询 分页 store beforeload 解决办法