[转载]爬虫的自我解剖(抓取网页HtmlUnit)
网络爬虫第一个要面临的问题，就是如何抓取网页，抓取其实很容易，没你想的那么复杂，一个开源HtmlUnit包，4行代码就OK啦，例子如下：
|
1
2
3
4
|
final WebClient webClient=new WebClient();System.out.println(page.asText());webClient.closeAllWindows(); |
在程序中写上上面的4行代码，运行，就可以得到烟雨林博客首页的全部内容，上面代码在运行的过程中会出现很多警告，出现这些警告的主要原因是由于以下两点:
1、HtmlUnit对Javascript的支持不是很好
2、HtmlUnit对CSS的支持不是很好
明白了上面的两点后，将代码重新改写一下，该禁用的就禁用，同时禁用一些不必要的功能，也有利于提高程序的运行效率,再者说网络爬虫也不需要CSS的支持滴
|
1
2
3
4
5
6
|
final WebClient webClient=new WebClient();webClient.getOptions().setCssEnabled(false);webClient.getOptions().setJavaScriptEnabled(false);System.out.println(page.asText());webClient.closeAllWindows(); |
HtmlUnit的使用: 简介:HtmlUnit说白了就是一个浏览器，这个浏览器是用Java写的无界面的浏览器，正因为其没有界面,因此执行的速度还是可以滴，HtmlUnit提供了一系列的API,这些API可以干的功能比较多，如表单的填充，表单的提交，模仿点击链接，由于内置了Rhinojs引擎，因此可以执行Javascript
作用:web的自动化测试(最初的目的),浏览器，网络爬虫
重要API的使用 在介绍API的使用之前要先明白的一个问题是，WebClient,WebWindow,Page三者之间的关系，所有的页面最终都是在一个WebWindow对象里面，WebClient在创建时会自动的创建一个WebWindow对象，当调用getPage时会将新页面加载到WebWindow里，你可以理解成WebClient就是IE内核，WebWindow就是呈现页面的浏览器窗口，三者之间的关系图如下图所示：
1、模拟特定浏览器，也可以指定浏览器的相应版本(HtmlUnit最新版2.13现在可以模拟的浏览器有Chrome/FireFox/IE)
|
1
2
|
//模拟chorme浏览器，其他浏览器请修改BrowserVersion.后面WebClient webClient=new WebClient(BrowserVersion.CHROME); |
2、查找特定元素，通过get或者XPath可以从HtmlPage中获得特定的Html元素，如下例子
方法一，通过get方法获取
|
1
2
3
|
//从[烟雨林博客]上获取标签hed的内容HtmlDivision div=(HtmlDivision)page.getElementById("hed"); |
方法二，通过XPath获取，XPath通常用于无法通过Id搜索，或者需要更为复杂的搜索时，XPath的相关教程
|
1
2
3
4
|
//同样可以打印出hed的内容,//div中//表示搜索整个文档中的div,并将这些div//放入list中，然后获取第一个divfinal HtmlDivision div = (HtmlDivision) page.getByXPath("//div").get(0);System.out.println(div.asXml()); |
3、代理服务器的配置，代理的配置很简单，只需要配置好地址，端口，用户名与密码即可
|
1
2
3
|
final DefaultCredentialsProvider credentialsProvider = (DefaultCredentialsProvider) webClient.getCredentialsProvider();credentialsProvider.addCredentials("username","password"); |
4、模拟表单的提交
|
1
2
3
4
5
6
7
8
9
|
//获取表单 final HtmlForm form = page.getFormByName("form");//获取提交按扭final HtmlSubmitInput button = form.getInputByName("submit");//一会得输入的final HtmlTextInput textField = form.getInputByName("userid");textField.setValueAttribute("test");//点击提交表单final HtmlPage page = button.click(); |
API的使用就介绍到这，网络爬虫中主要目的就是获取页中所有的链接，代码如下：
|
1
2
3
4
|
java.util.List<HtmlAnchor> achList=page.getAnchors();for(HtmlAnchor ach:achList){System.out.println(ach.getHrefAttribute());} |
最后来个例子，HtmlUnit模拟浏览器登录小米网站帐户，程运运行的截图如下，红色方框表示登录成功跳转到下一个页面出现的帐号：
本博文源代码下载以及相关jar包下载，请到我的个人博客中下载,如果遇到什么问题或本文有什么问题，请到我的个人博客中给我留言
本博文源代码下载:
