網頁信息抓取進階支持Js生成數據 Jsoup的不足之處

2019-11-14 11:11:42

字體：大中小

來源：轉載

供稿：網友

</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 : "高校一保安長相酷似作家莫言" }, { href : "http://news.qq.com/a/20140416/015167.htm", title : "男子單臂托舉懸空女半小時" }, { href : "http://news.qq.com/a/20140416/013808.htm", title : "女子上門討房租遭強奸拍裸照" }, { href : "http://news.qq.com/a/20140416/016805.htm", title : "澳洲駱駝愛喝冰鎮啤酒解暑" } ]; 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> 頁面上觀察是這樣顯示的：

我們審查元素：

如果你看到這樣的頁面，你會覺得拿Jsoup來抓取，簡直就是呵呵，小菜一疊，于是我們寫了這樣的代碼：

 @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();  }  你會覺得就這幾行代碼，輕輕松松搞定，快快樂樂下班。于是運行發現，其實什么的抓取不到。
于是我們再回到頁面，打開頁面源代碼，也就是上面的HTML代碼，你恍然大悟，我靠，body里面根本沒有數據，難怪抓不到。這就是Jsoup的不足，如果Jsoup去抓取的頁面的數據，全都是頁面加載完成后，Ajax獲取形成的，是抓取不到的。
下面給大家推薦另一個開源項目：HttpUnit，看名字是用于測試的，但是用來抓取數據也不錯
我們開始編寫類似Jsoup的代碼：
 @Test  public void testUserHttpUnit() throws FailingHttpStatusCodeException,          MalformedURLException, IOException {        /** HtmlUnit請求web頁面 */      WebClient wc = new WebClient(BrowserVersion.Chrome);      wc.getOptions().setUseInsecureSSL(true);      wc.getOptions().setJavascriptEnabled(true); // 啟用JS解釋器，默認為true      wc.getOptions().setCssEnabled(false); // 禁用css支持      wc.getOptions().setThrowExceptionOnScriptError(false); // js運行錯誤時，是否拋出異常      wc.getOptions().setTimeout(100000); // 設置連接超時時間 ，這里是10S。如果為0，則無限期等待      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"));      }  }  再看一下運行結果：
完美解決，HttpUnit其實就相當于一個沒有UI的瀏覽器，它可以讓頁面上的js執行完成后，再抓取信息，具體的介紹，google一下就行。主要給大家介紹一種方案！
如果你覺得這篇文章對你有用，就頂一個~