您的位置：首页 > Web前端 > JavaScript

网页信息抓取进阶支持Js生成数据 Jsoup的不足之处

2015-07-14 22:53 656 查看

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

[html]
view plaincopy

<!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>
        
        <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：

[java]
view plaincopy

      @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：htmlunit，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：

[java]
view plaincopy

      @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：

完美解决，htmlunit其实就相当于一个没有UI的浏览器，它可以让页面上的js执行完成后，再抓取信息，具体的介绍，google一下就行。主要给大家介绍一种方案！

如果你觉得这篇文章对你有用，就顶一个~

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

标签：

相关文章推荐

新的分享

章节导航

网页信息抓取进阶 支持Js生成数据 Jsoup的不足之处

网页信息抓取进阶支持Js生成数据 Jsoup的不足之处