网页信息抓取进阶支持Js生成数据 Jsoup的不足之处

2019-11-14 10:41:25

字体：大中小

来源：转载

供稿：网友

</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：

 @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：
完美解决，HttpUnit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~