【零基础】快速入门爬虫框架HtmlUnit
迅速的HtmlUnit
htmlunit是一款开源的web页面分析工具,理论上来说htmlunit应用于网页的自动化测试,但是相对来说更多人使用它来进行小型爬虫的快速开发。使用htmlunit进行爬虫开发不仅是其运行速度快,更重要的是此框架上手更为容易(相对于POST、selenium)。
基本环境
1、java,首先你得安装好javaSDK(版本随意)、编译器(eclipse)
2、HtmlUnit,项目以jar文件的形式发布,可以上官网下载最新版本(htmlunit-2.35.0-bin.zip)并解压,所有jar文件都在lib目录中。文末附下载链接
创建项目、引入jar包
1、打开eclipse,新建一个java项目
2、右键项目选择属性(Properties)
3、选择“java Build Path”->“Libraries”->“Add External JARs”
4、找到前面下载的jar文件(htmlunit-2.35.0->lib目录),将所有jar文件选中,点击“打开”按钮,而后点击“OK”按钮,则htmlunit所有jar文件就引入了我们新建的项目,在此项目中也就可以直接使用htmlunit提供的各种功能来实现网页分析。
简单实例
1、新建一个class文件
2、输入下述代码
运行一下看看是否得到了页面的xml代码以及百度网站首页的文本内容
更多学习资料
只是简单的运行起来当然不够,所以我们准备了更多的学习资料,关注公众号“零基础爱学习”回复“HU”获取《HtmlUnit官方简易教程中译版》,内容包括:
1、使用不同版本的浏览器打开网页
2、找到页面中特定的元素
3、元素检索
4、点击页面中的按钮
以及前面说到的htmlunitjar包最新版本(htmlunit-2.35.0-bin)