博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
网络爬虫爬取动态网页
阅读量:5080 次
发布时间:2019-06-12

本文共 5741 字,大约阅读时间需要 19 分钟。

尽量不要模拟浏览器去爬取资源,效率低且耗资源, selenium可以用不同的驱动,比如firefox,chrome和你提到的PhantomJS,还支持(模拟?)safari、安卓的浏览器等。  

举例:例如在百度中搜索成语词典,显示如下,需要爬取所有的成语词汇。我们可以点击下一页查看,有经验的同学一眼就可以看出这里是使用异步加载的。在网页源码上是找不到的。下面就介绍爬取所有词典的方法

 

 

通过firebug调试网页 可得js

以上四部便可以得到大致是一个json格式的内容,做到这一步,算是完成了一大部分的工作,由于为了方便解析内容,需要将网站稍作修改,这一步大家需要去尝试在此我将这部分(&cb=jQuery1102011321965302340686_1450094493974)去掉后,内容变成纯的json格式文档。接下来的和爬取静态网页的方法一样了

6. 第五步可以得到这样的网址:,pn=30,表示每页显示30个,我们需要改变pn的值来爬取所有的成语,具体操作是pn+=30。

 

格式化json可以解析得到成语内容

 

import java.io.BufferedReader;import java.io.ByteArrayOutputStream;import java.io.File;import java.io.FileNotFoundException;import java.io.IOException;import java.io.InputStream;import java.io.InputStreamReader;import java.io.PrintStream;import java.io.UnsupportedEncodingException;import java.net.HttpURLConnection;import java.net.MalformedURLException;import java.net.URL;import java.net.URLConnection;import org.json.JSONArray;import org.json.JSONObject;public class BaiduIdiomCrawer {    public static void main(String[] args) {        //BaiduIdiomCrawer test=new BaiduIdiomCrawer();        new BaiduIdiomCrawer().test01();    }    public void test01() {        //String myurl = "https://sp0.baidu.com/8aQDcjqpAAV3otqbppnN2DJv/api.php?resource_id=6848&from_mid=1&&format=json&ie=utf-8&oe=utf-8&query=%E6%88%90%E8%AF%AD&sort_key=&sort_type=1&stat0=&stat1=&stat2=&stat3=&pn=30&rn=30&cb=jQuery110206992364453617483_1449371069677&_=1449371069681";        //String myurl="https://sp0.baidu.com/8aQDcjqpAAV3otqbppnN2DJv/api.php?resource_id=6848&from_mid=1&&format=json&ie=utf-8&oe=utf-8&query=%E6%88%90%E8%AF%AD&sort_key=&sort_type=1&stat0=&stat1=&stat2=&stat3=&pn=30&rn=30&_=1449371069681";        String myurl;        String content = new String();        StringBuffer sb = new StringBuffer();        try {            String url2="https://sp0.baidu.com/8aQDcjqpAAV3otqbppnN2DJv/api.php?resource_id="                    + "28204&from_mid=1&&format=json&ie=utf-8&oe=utf-8&"                    + "query=%E6%88%90%E8%AF%AD%E8%AF%8D%E5%85%B8%E4%B8%8B%E8%BD%BD&sort_key=&"                    + "sort_type=1&stat0=&stat1=&stat2=&stat3=&pn=";            String url1="&rn=30&_=1449376371822";            //String url2="https://sp0.baidu.com/8aQDcjqpAAV3otqbppnN2DJv/api.php?resource_id=6848&from_mid=1&&format=json&ie=utf-8&oe=utf-8&query=%E6%88%90%E8%AF%AD&sort_key=&sort_type=1&stat0=&stat1=&stat2=&stat3=&pn=";            //String url1="&rn=30&_=1449371069681";            for (int j = 0; j < 1098; j++) {                myurl = url2 + j * 30 + url1;                System.out.println(j);                //content=this.downloadToString(myurl, "utf-8");                content=this.downloadToString(myurl);                JSONObject jo = new JSONObject(content.toString());                JSONArray jsonarray = jo.getJSONArray("data");                if(j==690){                    System.out.println(j);                }                JSONObject jo1 = jsonarray.getJSONObject(0);                JSONArray jsonarray1 = jo1.getJSONArray("result");                for (int i = 0; i < jsonarray1.length(); i++) {                    JSONObject user = (JSONObject) jsonarray1.get(i);                    String userName = (String) user.get("ename");                    //System.out.println(userName);                    sb.append(userName + "\n");                }            }        } catch (Exception e) {            // TODO Auto-generated catch block            e.printStackTrace();        }        try {            PrintStream ps=new PrintStream(new File("result.txt"),"utf-8");            ps.print(sb.toString());            ps.close();        } catch (FileNotFoundException e) {            // TODO Auto-generated catch block            e.printStackTrace();        } catch (UnsupportedEncodingException e) {            // TODO Auto-generated catch block            e.printStackTrace();        }        System.out.println(sb.toString());    }    public String downloadToString(String url, String charset) throws Exception {        ByteArrayOutputStream output = new ByteArrayOutputStream();        try {            HttpURLConnection http = (HttpURLConnection) (new URL(url)).openConnection();            http.setReadTimeout(5 * 60 * 1000);            //http.setRequestProperty("User-Agent", "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.0)");            http.setRequestProperty("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.31 (KHTML, like Gecko) Chrome/26.1.141.64 Safari/537.31");            http.setRequestMethod("GET");            http.setUseCaches(false);            InputStream input = http.getInputStream();            int ch = -1;            while((ch = input.read()) != -1)                output.write(ch);            input.close();        } catch(Exception ex) {            ex.printStackTrace(System.out);        }        return output.toString(charset);    }    public String downloadToString(String u){        StringBuffer sb = new StringBuffer();        try {            URL url = new URL(u);            URLConnection connection = url.openConnection();            InputStream is = connection.getInputStream();            InputStreamReader isr = new InputStreamReader(is,"UTF-8");            BufferedReader br = new BufferedReader(isr);            String line;            while((line=br.readLine())!=null){                sb.append(line);            }            br.close();            isr.close();            is.close();        } catch (MalformedURLException e) {            // TODO Auto-generated catch block            e.printStackTrace();        } catch (IOException e) {            // TODO Auto-generated catch block            e.printStackTrace();        }        return sb.toString();    }}

 

转载于:https://www.cnblogs.com/energy1010/p/6490209.html

你可能感兴趣的文章
ActiveMQ与spring整合
查看>>
web服务器
查看>>
网卡流量检测.py
查看>>
poj1981 Circle and Points 单位圆覆盖问题
查看>>
POP的Stroke动画
查看>>
SQL语句在查询分析器中可以执行,代码中不能执行
查看>>
yii 1.x 添加 rules 验证url数组
查看>>
html+css 布局篇
查看>>
SQL优化
查看>>
用C语言操纵Mysql
查看>>
轻松学MVC4.0–6 MVC的执行流程
查看>>
redis集群如何清理前缀相同的key
查看>>
Python 集合(Set)、字典(Dictionary)
查看>>
获取元素
查看>>
proxy写监听方法,实现响应式
查看>>
第一阶段冲刺06
查看>>
十个免费的 Web 压力测试工具
查看>>
EOS生产区块:解析插件producer_plugin
查看>>
mysql重置密码
查看>>
jQuery轮 播的封装
查看>>