益达教你如何抓取Ajax动态页面
何为Ajax动态网页,我想不用我多说了吧,如果你连Ajax是啥玩意儿都不知道,那你还是先去Google学习Ajax吧。为了形象起见,这里我以抓取这个网页为例进行讲解说明。网页链接如下:
http://www.sse.com.cn/assortment/stock/list/name/
很明显,我们要抓取的数据是
打开谷歌浏览器的开发者工具,我们会发现,他其实是采用Ajax方式动态加载的,且采用的jsonp跨域方式返回的,分析如图:
由此可以推断,分页部分信息是通过javaScript动态往DOM中插入的,如果你仅仅是通过类似HttpClient之类的工具来模拟Http请求来获取网页信息的话,你得到的网页内容将不是完整的,而HtmlUnit可以做到。
OK,回到主题,可能你还是第一次听说有个HtmlUnit这个玩意儿,有可能你是大咖早已听说,但我还是觉得还是官方的解释说明最权威,我就不瞎BB了,看图:
总之,一句话,HtmlUnit其实就是一个测试工具,方便测试人员进行功能测试,它能模拟诸如谷歌浏览器,火狐浏览器,IE浏览器等常见主流浏览器的行为。废话不多说,我直接上demo:
/** * 上海证券交易所数据抓取测试 * @since 1.0 * @author [email protected] * @date 2015-8-27下午6:16:14 * */ public class ShangHaiStockTest { public static void main(String[] args) throws Exception { WebClient webClient = new WebClient(BrowserVersion.FIREFOX_38); webClient.getOptions().setCssEnabled(false); webClient.getOptions().setJavaScriptEnabled(true); webClient.getOptions().setActiveXNative(false); webClient.getOptions().setAppletEnabled(false); webClient.getOptions().setRedirectEnabled(false); webClient.getOptions().setThrowExceptionOnFailingStatusCode(false); webClient.getOptions().setThrowExceptionOnScriptError(false); webClient.getOptions().setUseInsecureSSL(false); webClient.getOptions().setTimeout(10000000); webClient.setAjaxController(new NicelyResynchronizingAjaxController()); int totalPage = 22; do { HtmlPage page = (HtmlPage)webClient.getPage("http://www.sse.com.cn/assortment/stock/list/name/"); HtmlAnchor anchor = (HtmlAnchor) page.getHtmlElementById("xsgf_next"); page = (HtmlPage) anchor.click(); FileUtils.writeFile(page.asXml(), "C:/shh/list/" + totalPage + ".html", "UTF-8", false); totalPage--; } while(totalPage > 0); //关闭模拟窗口 webClient.closeAllWindows(); } }
关键点:
1.webClient.getOptions().setJavaScriptEnabled(true);
启用JavaScript
2.webClient.setAjaxController(new NicelyResynchronizingAjaxController());
设置Ajax异步处理控制器即启用Ajax支持
3.webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);
webClient.getOptions().setThrowExceptionOnScriptError(false);
这两句很关键,前者表示当出现Http error时,程序不抛异常继续执行,后者表示当JavaScript执行出现异常时直接无视,否则Java代码会直接抛异常,程序中断。
demo代码里演示了,如果通过代码去模拟点击“下一页”超链接去分页获取每一页的网页内容,然后写入磁盘指定目录。程序很简单,希望能抛砖引玉,程序依赖的jar包如图:
就说这么多,如果有什么其他问题,请联系我,联系方式如下:
益达的GitHub地址: 请猛戳我,用力,吃点劲儿!!!
益达的新浪微博: 看这里,看这里
益达的技术交流社区: 码农们,I want you!!!
益达Q-Q: 7-3-6-0-3-1-3-0-5
益达的Q-Q群: 1-0-5-0-9-8-8-0-6
已有 0 人发表留言,猛击->> 这里<<-参与讨论
ITeye推荐