java使用webmagic实现网络爬虫功能（二）

这里需要爬的是上图的分页数据, 不同于之前的网页，这部分是通过ajax请求加载数据的，可以从浏览器内置的http抓包信息中找到符合要求的post请求，如下



点击进去查看头文件信息，可以看到具体请求的地址与参数，





参数的意义可以通过不停发起请求来推测出来，尝试发起请求返回数据为xml格式的数据，如下



那么我们只需要解析xml来获得自己需要的数据即可，xml的解析不作详细解释，具体见java代码：

//获取列表页新闻 分页
/*
* page 第几页新闻列表
* perpage 分页系数
* startrecord 第几条开始
* columnid 栏目id 56 政务信息 57 今日南浔 59 视频南浔 。。。
*/
public void getListNews(){
long pageNum = getParaToLong("page",1L);
List<Map<String, Object>> data = new ArrayList<Map<String, Object>>();
long perpage = 3 ; //perpage 每页多少数据*3系数 为1是 每页3条 2时 每页6条 。。。
long startrecord = (pageNum-1)*perpage*3+1; //哪条数据开始
int columnid = 56;
String url = "http://www.nanxun.gov.cn/module/jslib/jquery/jpage/dataproxy.jsp?";
url +="startrecord="+startrecord;
//url +="&endrecord=6";
url +="&perpage="+perpage;
url +="&col=1&appid=1&webid=1&unitid=2024&webname=%E5%8D%97%E6%B5%94%E5%8C%BA%E6%94%BF%E5%BA%9C";
url +="&columnid="+columnid;
String content = HttpKit.get(url);
JSON json = JsonKit.convertXmlToJson(content, null);
JSONObject jsonObject = JSONObject.fromObject(json);
if (jsonObject.has("recordset")) {
JSONArray transitListArray = jsonObject.getJSONArray("recordset");
for (int i = 0; i < transitListArray.size(); i++) {
Map<String,Object> innerMap = new HashMap<String,Object>();
String obj = transitListArray.get(i)+"";
//System.out.println(obj);
Html html = new Html(obj);
List<String> urlList = html.$("table a", "href").all();
if(urlList.size()>0){
innerMap.put("url", urlList.get(0));
}
String title = html.regex("<a style=.font-size:10.5pt;.*>(.*?)</a>", 1).get();
innerMap.put("title", title);
String publishDate = html.regex("<td width=.102. al
4000
ign=.center.*>(.*?)</td>", 1).get();
innerMap.put("publishDate", publishDate);
data.add(innerMap);
}
}
renderJson(data);
}

可以看出可以根据page与startrecord 来自由控制爬第几页的数据，看看上面代码抓取来的数据





over，mark 一下给自己备忘。