[原創]利用爬蟲技術獲取網頁數據,以及想要的指定數據

      最近在公司作個系統,因爲要獲取網頁的一些數據,以及一些網頁的數據,因此就寫的一個公用的HttpUtils.下面是針對烏雲網我寫的一個例子。java

 

 1、首先是獲取指定路徑下的網頁內容。node

 

 

	public static String httpGet(String urlStr, Map<String, String> params) throws Exception {
		StringBuilder sb = new StringBuilder();
		if (null != params && params.size() > 0) {
			sb.append("?");
			Entry<String, String> en;
			for (Iterator<Entry<String, String>> ir = params.entrySet().iterator(); ir.hasNext();) {
				en = ir.next();
				sb.append(en.getKey() + "=" + URLEncoder.encode(en.getValue(),"utf-8") + (ir.hasNext() ? "&" : ""));
			}
		}
		URL url = new URL(urlStr + sb);
		HttpURLConnection conn = (HttpURLConnection) url.openConnection();
		conn.setConnectTimeout(5000);
		conn.setReadTimeout(5000);
		conn.setRequestMethod("GET");
		if (conn.getResponseCode() != 200)
			throw new Exception("請求異常狀態值:" + conn.getResponseCode());
		BufferedInputStream bis = new BufferedInputStream(conn.getInputStream());
		Reader reader = new InputStreamReader(bis,"gbk");
		char[] buffer = new char[2048];
		int len = 0;
		CharArrayWriter caw = new CharArrayWriter();
		while ((len = reader.read(buffer)) > -1)
			caw.write(buffer, 0, len);
		reader.close();
		bis.close();
		conn.disconnect();
		//System.out.println(caw);
		return caw.toString();
	}

 

瀏覽器詢問結果:正則表達式

 

代碼詢問結果與上面一致:瀏覽器

 

2、經過指定url獲取,網頁部分想要的數據。app

 

對於這個方法,要導入Jsoup包,這個能夠本身在網上下載。ide

Document doc = null;
    try {
          doc = Jsoup.connect("http://www.wooyun.org//bugs//wooyun-2016-0225856").userAgent("Mozilla/5.0 (Windows NT 10.0; Trident/7.0; rv:11.0) like 				Gecko").timeout(30000).get();
    } catch (IOException e) {
         e.printStackTrace();
    }
    for(Iterator<Element> ir = doc.select("h3").iterator();ir.hasNext();){
        System.out.println(ir.next().text());
 }

 

對於那個select選擇器,根據條件來選擇,doc.select("h3").iterator(),對於Jsoup有如下規則:工具

jsoup 是一款基於Java 的HTML解析器,可直接解析某個URL地址或HTML文本內容。它提供了一套很是省力的API,可經過DOM,CSS以及相似於jQuery的操做方法來取出和操做數據。
jsoup的強大在於它對文檔元素的檢索,Select方法將返回一個Elements集合,並提供一組方法來抽取和處理結果,要掌握Jsoup首先要熟悉它的選擇器語法。
一、Selector選擇器基本語法ui

  • tagname: 經過標籤查找元素,好比:a
  • ns|tag: 經過標籤在命名空間查找元素,好比:能夠用 fb|name 語法來查找 <fb:name> 元素
  • #id: 經過ID查找元素,好比:#logo
  • .class: 經過class名稱查找元素,好比:.masthead
  • [attribute]: 利用屬性查找元素,好比:[href]
  • [^attr]: 利用屬性名前綴來查找元素,好比:能夠用[^data-] 來查找帶有HTML5 Dataset屬性的元素
  • [attr=value]: 利用屬性值來查找元素,好比:[width=500]
  • [attr^=value], [attr$=value], [attr*=value]: 利用匹配屬性值開頭、結尾或包含屬性值來查找元素,好比:[href*=/path/]
  • [attr~=regex]: 利用屬性值匹配正則表達式來查找元素,好比: img[src~=(?i)\.(png|jpe?g)]
  • *: 這個符號將匹配全部元素

二、Selector選擇器組合使用語法編碼

  • el#id: 元素+ID,好比: div#logo
  • el.class: 元素+class,好比: div.masthead
  • el[attr]: 元素+class,好比: a[href]
  • 任意組合,好比:a[href].highlight
  • ancestor child: 查找某個元素下子元素,好比:能夠用.body p 查找在」body」元素下的全部 p元素
  • parent > child: 查找某個父元素下的直接子元素,好比:能夠用div.content > p 查找 p 元素,也能夠用body > * 查找body標籤下全部直接子元素
  • siblingA + siblingB: 查找在A元素以前第一個同級元素B,好比:div.head + div
  • siblingA ~ siblingX: 查找A元素以前的同級X元素,好比:h1 ~ p
  • el, el, el:多個選擇器組合,查找匹配任一選擇器的惟一元素,例如:div.masthead, div.logo

三、Selector僞選擇器語法url

  • :lt(n): 查找哪些元素的同級索引值(它的位置在DOM樹中是相對於它的父節點)小於n,好比:td:lt(3) 表示小於三列的元素
  • :gt(n):查找哪些元素的同級索引值大於n,好比: div p:gt(2)表示哪些div中有包含2個以上的p元素
  • :eq(n): 查找哪些元素的同級索引值與n相等,好比:form input:eq(1)表示包含一個input標籤的Form元素
  • :has(seletor): 查找匹配選擇器包含元素的元素,好比:div:has(p)表示哪些div包含了p元素
  • :not(selector): 查找與選擇器不匹配的元素,好比: div:not(.logo) 表示不包含 class="logo" 元素的全部 div 列表
  • :contains(text): 查找包含給定文本的元素,搜索不區分大不寫,好比: p:contains(jsoup)
  • :containsOwn(text): 查找直接包含給定文本的元素
  • :matches(regex): 查找哪些元素的文本匹配指定的正則表達式,好比:div:matches((?i)login)
  • :matchesOwn(regex): 查找自身包含文本匹配指定正則表達式的元素

注意:上述僞選擇器索引是從0開始的,也就是說第一個元素索引值爲0,第二個元素index爲1等。

 

瀏覽器訪問:

 

 

代碼訪問:

 

 

源代碼HttpUtils.java:

package com.ffcs.lsoc.bug.utils;
import java.io.BufferedInputStream;
import java.io.CharArrayWriter;
import java.io.InputStreamReader;
import java.io.Reader;
import java.net.HttpURLConnection;
import java.net.URL;
import java.net.URLEncoder;
import java.util.Iterator;
import java.util.Map;
import java.util.Map.Entry;

import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;

/**
 * 抓取網頁工具類
 * @author g-gaojp
 * @date 2016-7-10
 */
public class HttpUtils {

	/**
	 * 獲取網頁數據
	 * @param urlStr  訪問地址
	 * @param params  參數
	 * @param charset 字符編碼
	 * @return
	 * @throws Exception
	 */
	public static String httpGet(String urlStr, Map<String, String> params,String charset) throws Exception {
		StringBuilder sb = new StringBuilder();
		if (null != params && params.size() > 0) {
			sb.append("?");
			Entry<String, String> en;
			for (Iterator<Entry<String, String>> ir = params.entrySet().iterator(); ir.hasNext();) {
				en = ir.next();
				sb.append(en.getKey() + "=" + URLEncoder.encode(en.getValue(),"utf-8") + (ir.hasNext() ? "&" : ""));
			}
		}
		URL url = new URL(urlStr + sb);
		HttpURLConnection conn = (HttpURLConnection) url.openConnection();
		conn.setConnectTimeout(5000);
		conn.setReadTimeout(5000);
		conn.setRequestMethod("GET");
		if (conn.getResponseCode() != 200){
			throw new Exception("請求異常狀態值:" + conn.getResponseCode());
		}
		BufferedInputStream bis = new BufferedInputStream(conn.getInputStream());
		Reader reader = new InputStreamReader(bis,charset);
		char[] buffer = new char[2048];
		int len = 0;
		CharArrayWriter caw = new CharArrayWriter();
		while ((len = reader.read(buffer)) > -1)
			caw.write(buffer, 0, len);
		reader.close();
		bis.close();
		conn.disconnect();
		return caw.toString();
	}
	
	/**
	 * 獲取網頁數據
	 * @param urlStr  訪問地址
	 * @param params  參數
	 * @return
	 * @throws Exception
	 */
	public static String httpGet(String urlStr, Map<String, String> params) throws Exception {
		StringBuilder sb = new StringBuilder();
		if (null != params && params.size() > 0) {
			sb.append("?");
			Entry<String, String> en;
			for (Iterator<Entry<String, String>> ir = params.entrySet().iterator(); ir.hasNext();) {
				en = ir.next();
				sb.append(en.getKey() + "=" + URLEncoder.encode(en.getValue(),"utf-8") + (ir.hasNext() ? "&" : ""));
			}
		}
		URL url = new URL(urlStr + sb);
		HttpURLConnection conn = (HttpURLConnection) url.openConnection();
		conn.setConnectTimeout(5000);
		conn.setReadTimeout(5000);
		conn.setRequestMethod("GET");
		if (conn.getResponseCode() != 200)
			throw new Exception("請求異常狀態值:" + conn.getResponseCode());
		BufferedInputStream bis = new BufferedInputStream(conn.getInputStream());
		Reader reader = new InputStreamReader(bis,"gbk");
		char[] buffer = new char[2048];
		int len = 0;
		CharArrayWriter caw = new CharArrayWriter();
		while ((len = reader.read(buffer)) > -1)
			caw.write(buffer, 0, len);
		reader.close();
		bis.close();
		conn.disconnect();
		//System.out.println(caw);
		return caw.toString();
	}
	

	/**
	 * 從得到的網頁的document中獲取指定條件的內容
	 * @param document
	 * @param condition 條件
	 * @return
	 */
	public static String catchInfomationFromDocument(Document document , String condition , int position){
		
		if(document != null){
			Iterator<Element> iterator = document.select(condition).iterator();
			if(iterator.hasNext()){
				String str = iterator.next().text();
				return str.substring(position).trim();
			}
		}
		return null;
	}
	
	/**
	 * 判斷從得到的網頁的document中<br/>
	 * 獲取指定條件的內容是否存在
	 * @param document
	 * @param condition 條件
	 * @return
	 */
	public static boolean isExistInfomation(Document document , String condition){
		
		if(document != null){
			Iterator<Element> iterator = document.select(condition).iterator();
			if(iterator.hasNext()){
				return true;
			}
		}
		return false;
	}

}
相關文章
相關標籤/搜索