通过java抓取任何指定网页的数据

Posted on 2009-12-17 17:31 terryxue 阅读(18090) 评论(6)  编辑  收藏 所属分类: java

假设你需要获取51job人才网上java人才的需求数量,首先你需要分析51job网站的搜索这一块是怎么运作的,通过解析网页的源代码,我们发现了以下一些信息:
1. 搜索时页面请求的URL是 http://search.51job.com/jobsearch/search_result.php
2. 请求所用的方法为:POST
3. 返回的页面的编码格式为:GBK
4. 假设我们想获取搜索java人才时结果页面中显示的需求数量,我们发现数量位于返回的HTML数据中这样的一段代码之中:<td>1-30 / 14794</td>,于是我们可以得到这样的一个模式:".+1-\d+ / (\d+).+",第一个分组的内容就是我们需要的最终数据,有关java中的模式,请参考java文档中Pattern类的介绍
5. 另外做为POST请求,页面向服务器发送的数据如下(这个很容易能过prototype这样的js框架抓取到,参考我的其它博客介绍):lang=c& amp; amp;stype=1&postchannel=0000&fromType=1&line=&keywordtype=2&keyword=java&btnJobarea=%E9%80%89%E6%8B%A9%E5%9C%B0%E5%8C%BA&jobarea=0000&image=&btnFuntype=%E9%80%89%E6%8B%A9%2F%E4%BF%AE%E6%94%B9&funtype=0000&btnIndustrytype=%E9%80%89%E6%8B%A9%2F%E4%BF%AE%E6%94%B9&industrytype=00
对于第5条中的数据哪些是服务器真正需要的我们不管,全部发送过去就是了。有了这些准备,我们就可以真正开始通过java发送请求,并获得最终数据了。

我们定义Resource类,这个类封装所有的与请求有关的信息,Resource包括以下属性:

/**
  * 需要获取资源的目标地址,不包含查询串
  
*/

 
private String target;
  
/**
  * get请求时的查询串,或post请求的请求数据
  
*/

 
private String queryData = "";
 
 
/**
  * 请求方式,get / post
  
*/

 
private String method = "GET";
 
 
/**
  * 返回的数据的编码类型
  
*/

 
private String charset = "GBK";
 
 
/**
  * 抓取数据的模式,将根据模式的分组来返回数据列表
  
*/

 
private String pattern;

创建Resource的一个对象,封装请求数据:
Resource res = new Resource();
res.set
//在这里设置与请求有关的信息

以下为抓取内容的代码:
//假设以下代码中res对象封装了所有的请求信息。
//URL指向目的地。 
//res.getTarget返回目标地址,且当为get请求时,这个地址包含了查询串的信息 
URL url = new URL(res.getTarget()); 
HttpURLConnection con 
= (HttpURLConnection) url.openConnection(); //建立到目的地的联接
con.setRequestMethod(res.getMethod()); //设置请求的方法
//设置HTTP请求头信息
con.setRequestProperty("accept""*/*");  
con.setRequestProperty(
"connection""Keep-Alive");
con.setRequestProperty(
"user-agent",
        
"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1)");
con.setDoInput(
true);
if (res.getMethod().equals("POST")) //如果为Post请求则发送请求数据
  con.setDoOutput(true);
  con.getOutputStream().write(res.getQueryData().getBytes());
  con.getOutputStream().flush();
}
    
//通过BufferedReader一行行的读取数据,如果你需要的是全部返回结果,可以修改一下这里
BufferedReader br = new BufferedReader(new InputStreamReader(
con.getInputStream(), res.getCharset()));
Pattern pattern 
= Pattern.compile(res.getPattern()); 
String s 
= null;
while ((s = br.readLine()) != null{
   System.out.println(s);
   Matcher m 
= pattern.matcher(s); //检测当前行是否与要求结果的模式相匹配
   boolean b = m.matches();
   
if (! b) {
      
continue;
   }

   
int size = m.groupCount();
   List result 
= new ArrayList(size);
   
for(int i=0; i<size; i++){
     result.add(m.group(i
+1)); //如果有多个分组,则取出所有分组,并把最终结果做为列表返回
   }
     
   
return result;
}

如果不需要通过提交表单数据给服务器就能抓取到最终结果,显然上面的操作就有点小题大作了,删除上面的部分代码就可以了。
补充:上文仅做java学习用,项目中需要实现网页抓取,可以去了解一下JSOUP(http://jsoup.org/)和HTTPComponent(http://hc.apache.org/)

Feedback

# re: 通过java抓取任何指定网页的数据  回复  更多评论   

2010-03-08 16:23 by 胡长坤
谢谢薛老师的的帮助,静态化页面服务已参照本文实现。谢谢薛老师,嘿嘿。

# re: 通过java抓取任何指定网页的数据  回复  更多评论   

2010-12-13 15:18 by easy518
http://www.easy518.com

# re: 通过java抓取任何指定网页的数据  回复  更多评论   

2011-10-08 16:34 by 方法
法国风格

# re: 通过java抓取任何指定网页的数据  回复  更多评论   

2012-05-12 16:59 by 小崔
想问下,我抓的网页有验证码,无论我输入什么验证码,都会提示验证码失效,能给予帮助吗,先谢谢了

# re: 通过java抓取任何指定网页的数据  回复  更多评论   

2013-12-14 11:31 by zujixie
这个功能很强大,用处很多。很好

# re: 通过java抓取任何指定网页的数据  回复  更多评论   

2014-11-25 15:35 by zuidaima
java抓取网页相关demo源代码下载:http://zuidaima.com/share/k%E6%8A%93%E5%8F%96%E7%BD%91%E9%A1%B5-p1-s1.htm

只有注册用户登录后才能发表评论。


网站导航:
 

posts - 9, comments - 24, trackbacks - 0, articles - 0

Copyright © terryxue