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

<!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>

		<!--<link rel="stylesheet" type="text/css" href="./styles.css">-->

		<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

	public 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~

网页信息抓取进阶 支持Js生成数据 Jsoup的不足之处的更多相关文章

  1. 网页信息抓取 Jsoup的不足之处 httpunit

    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 ...

  2. httpclient+jsoup实现网页信息抓取

    需求分析:抓取:http://tools.2345.com/rili.htm中的万年历(阳历.阴历等等). 1.首先为抓取的内容创建一个类.实现封装. package com.wan.domain; ...

  3. Ajax异步信息抓取方式

    淘女郎模特信息抓取教程 源码地址: cnsimo/mmtao 网址:https://0x9.me/xrh6z   判断一个页面是不是Ajax加载的方法: 查看网页源代码,查找网页中加载的数据信息,如果 ...

  4. Atitit.web的自动化操作与信息抓取 attilax总结

    Atitit.web的自动化操作与信息抓取 attilax总结 1. Web操作自动化工具,可以简单的划分为2大派系: 1.录制回放 2.手工编写0 U' z; D! s2 d/ Q! ^1 2. 常 ...

  5. Java---网络蜘蛛-网页邮箱抓取器~源码

    刚刚学完Socket,迫不及待的做了这个网页邮箱抓取~~~ 现在有越来越多的人热衷于做网络爬虫(网络蜘蛛),也有越来越多的地方需要网络爬虫,比如搜索引擎.资讯采集.舆情监测等等,诸如此类.网络爬虫涉及 ...

  6. 网易新闻页面信息抓取（htmlagilitypack搭配scrapysharp）

    转自原文 网易新闻页面信息抓取(htmlagilitypack搭配scrapysharp) 最近在弄网页爬虫这方面的,上网看到关于htmlagilitypack搭配scrapysharp的文章,于是决 ...

  7. 接口测试——fiddler对soapui请求返回信息抓取

    原文:接口测试——fiddler对soapui请求返回信息抓取 背景:接口测试的时候,需要对接口的请求和返回信息进行查阅或者修改请求信息,可利用fiddler抓包工具对soapui的请求数据进行抓取或 ...

  8. Hawk： 20分钟无编程抓取大众点评17万数据

    1. 主角出场:Hawk介绍 Hawk是沙漠之鹰开发的一款数据抓取和清洗工具,目前已经在Github开源.详细介绍可参考:http://www.cnblogs.com/buptzym/p/545419 ...

  9. 测试开发Python培训：抓取新浪微博评论提取目标数据-技术篇

    测试开发Python培训:抓取新浪微博评论提取目标数据-技术篇   在前面我分享了几个新浪微博的自动化脚本的实现,下面我们继续实现新的需求,功能需求如下: 1,登陆微博 2,抓取评论页内容3,用正则表 ...

随机推荐

  1. jquery中实现全选按钮

    <html>   <head>   <script type='text/javascript' src='js/jquery-1.5.1.js'></scr ...

  2. HelloGithub

    <HelloGithub月刊>第一期   <HelloGithub月刊> 因为现在这个项目只有我自己做,只敢叫“月刊”,希望有志同道合者,快点加入到这个项目中来!同时,如果您有 ...

  3. Android 开源项目源码解析（第二期）

    Android 开源项目源码解析(第二期) 阅读目录 android-Ultra-Pull-To-Refresh 源码解析 DynamicLoadApk 源码解析 NineOldAnimations ...

  4. UNIX 网络编程之线程

    概述: 实现并发服务器一般都是父进程accept一个连接,然后fork一个子进程,该子进程处理与该连接对端的客户之间的通信.但是fork是昂贵,耗资源和时间.而线程是轻量级线程,它的创建比进程的创建块 ...

  5. Python 类继承，__bases__, __mro__, super

    Python是面向对象的编程语言,也支持类继承. >>> class Base: ... pass ... >>> class Derived(Base): ... ...

  6. Android JNI 获取应用程序签名

    使用Android JNI 获取应用程序签名. 获取基础上生成自己的签名password,这可以防止别人反编译找到自己的源代码password. jstring Java_com_masonsdk_j ...

  7. Trie图和Fail树

    Trie图和AC自动机的区别 Trie图是AC自动机的确定化形式,即把每个结点不存在字符的next指针都补全了.这样做的好处是使得构造fail指针时不需要next指针为空而需要不断回溯. 比如构造ne ...

  8. 推荐一套.NET文档处理组件Spire.Office

    原文:推荐一套.NET文档处理组件Spire.Office 以前的项目中用到一点Word简单处理的功能(文字替换和转PDF格式),当时使用的是一套COM组件,必须在服务器上安装office环境.最近考 ...

  9. 完美去除WPF按钮的边框

    主页面背影图片, 添加5个功能按钮,并设置按钮的Background和BorderBrush为Transparent,好像没有问题,运行效果 不仅有一个发光的边框,而且当鼠标经过时,按钮就不在透明, ...

  10. LB 负载均衡的层次结构（转）

    作为后端应用的开发者,我们经常开发.调试.测试完我们的应用并发布到生产环境,用户就可以直接访问到我们的应用了.但对于互联网应用,在你的应用和用户之间还隔着一层低调的或厚或薄的负载均衡层软件,它们不显山 ...