大家好,又见面了,我是全栈君,祝每个程序员都可以多学几门语言。
转载请注明出处!
原文链接:http://blog.csdn.net/zgyulongfei/article/details/7909006
有时候因为种种原因,我们须要採集某个站点的数据,但因为不同站点对数据的显示方式略有不同!
本文就用Java给大家演示怎样抓取站点的数据:(1)抓取原网页数据;(2)抓取网页Javascript返回的数据。
一、抓取原网页。
这个样例我们准备从http://ip.chinaz.com上抓取ip查询的结果:
第一步:打开这个网页,然后输入IP:111.142.55.73,点击查询button,就能够看到网页显示的结果:
第二步:查看网页源代码,我们看到源代码中有这么一段:
从这里能够看出,查询的结果,是又一次请求一个网页之后显示的。
再看看查询之后的网页地址:
也就是说,我们仅仅要訪问形如这种网址,就能够得到ip查询的结果,接下来看代码:
public void captureHtml(String ip) throws Exception { String strURL = "http://ip.chinaz.com/?IP=" + ip; URL url = new URL(strURL); HttpURLConnection httpConn = (HttpURLConnection) url.openConnection(); InputStreamReader input = new InputStreamReader(httpConn .getInputStream(), "utf-8"); BufferedReader bufReader = new BufferedReader(input); String line = ""; StringBuilder contentBuf = new StringBuilder(); while ((line = bufReader.readLine()) != null) { contentBuf.append(line); } String buf = contentBuf.toString(); int beginIx = buf.indexOf("查询结果["); int endIx = buf.indexOf("上面四项依次显示的是"); String result = buf.substring(beginIx, endIx); System.out.println("captureHtml()的结果:\n" + result); }
使用HttpURLConnection连接站点,用bufReader保存网页返回的数据,然后通过自己定义的一个解析方式将结果显示出来。
这里我仅仅是随便的解析了一下,要解析的很准确的话自己需再处理。
解析结果例如以下:
captureHtml()的结果:
查询结果[1]: 111.142.55.73 ==>> 1871591241 ==>> 福建省漳州市 移动</strong><br />
二、抓取网页JavaScript返回的结果。
有时候站点为了保护自己的数据,并没有把数据直接放在网页源代码中返回,而是採用异步的方式,用JS返回数据,这样能够避免搜索引擎等工具对站点数据的抓取。
首先看一下这个网页:
用第一种方式查看该网页的源代码,却没有发现该运单的跟踪信息,由于它是通过JS的方式获取结果的。
但有时候我们非常须要获取到JS的数据,这个时候要怎么办呢?
这个时候我们须要用到一个工具:HTTP Analyzer,这个工具能够截获Http的交互内容,我们通过这个工具来达到我们的目的。
首先点击Startbutton之后,它就開始监听网页的交互行为了。
我们打开网页:http://www.kiees.cn/sf.php ,能够看到HTTP Analyzer列出了全部该网页的请求数据以及结果:
为了更方便的查看JS的结果,我们先清空这些数据,然后再网页中输入快递单号:107818590577,点击查询button,然后查看HTTP Analyzer的结果:
这个就是点击查询button之后,HTTP Analyzer的结果,我们继续查看:
从上面两幅图中能够看出,HTTP Analyzer能够截获JS返回的数据,并在Response Content中显示,同一时候能够看到JS请求的网页地址。
既然如此,我们仅仅要分析HTTP Analyzer的结果,然后模拟JS的行为就可获取到数据,即我们仅仅要訪问JS请求的网页地址来获取数据,当然前提是这些数据是没有经过加密的,我们记下JS请求的URL:http://www.kiees.cn/sf.php?wen=107818590577&channel=&rnd=0
然后让程序去请求这个网页的结果就可以!
以下是代码:
public void captureJavascript(String postid) throws Exception { String strURL = "http://www.kiees.cn/sf.php?wen=" + postid + "&channel=&rnd=0"; URL url = new URL(strURL); HttpURLConnection httpConn = (HttpURLConnection) url.openConnection(); InputStreamReader input = new InputStreamReader(httpConn .getInputStream(), "utf-8"); BufferedReader bufReader = new BufferedReader(input); String line = ""; StringBuilder contentBuf = new StringBuilder(); while ((line = bufReader.readLine()) != null) { contentBuf.append(line); } System.out.println("captureJavascript()的结果:\n" + contentBuf.toString()); }
看到了吧,抓取JS的方式和前面抓取原网页的代码一模一样,我们仅仅只是做了一个分析JS的过程。
以下是程序运行的结果:
captureJavascript()的结果:
<div class=”results”><div id=”ali-itu-wl-result” class=”ali-itu-wl-result”><h2 class=”logisTitle”>运单<span class=”mail-no”>【107818590577】</span>的跟踪信息</h2><div class=”trace_result”><ul><li><span class=”time”>2012-07-16 15:46:00</span><span class=”info”>已收件 </span></li><li><span class=”time”>2012-07-16 16:03:00</span><span class=”info”>快件在 广州\t,准备送往下一站广州集散中心 </span></li><li><span class=”time”>2012-07-16 19:33:00</span><span class=”info”>快件在 广州集散中心,准备送往下一站佛山集散中心 </span></li><li><span class=”time”>2012-07-17 01:56:00</span><span class=”info”>快件在 佛山集散中心\t,准备送往下一站佛山 </span></li><li><span class=”time”>2012-07-17 09:41:00</span><span class=”info”>正在派件.. </span></li><li><span class=”time”>2012-07-17 11:28:00</span><span class=”info”>派件已签收 </span></li><li><span class=”time”>2012-07-17 11:28:00</span><span class=”info”>签收人是:已签收 </span></li></ul><div></div></div></div> </div>
这些数据就是JS返回的结果了,我们的目的达到了!
希望本文可以对须要的朋友有一点帮助,须要程序源代码的,请点击这里下载!
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/118400.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...