网页抓取--1（原网页+Javascript返回数据）

原文链接：http://blog.csdn.net/zgyulongfei/article/details/7909006

 

有时候由于种种原因，我们需要采集某个网站的数据，但由于不同网站对数据的显示方式略有不同！

本文就用Java给大家演示如何抓取网站的数据：（1）抓取原网页数据；（2）抓取网页Javascript返回的数据。

一、抓取原网页。

这个例子我们准备从http://ip.chinaz.com上抓取ip查询的结果：

第一步：打开这个网页，然后输入IP：111.142.55.73，点击查询按钮，就可以看到网页显示的结果：

 

 

第二步：查看网页源码，我们看到源码中有这么一段：

 

从这里可以看出，查询的结果，是重新请求一个网页之后显示的。

再看看查询之后的网页地址：

也就是说，我们只要访问形如这样的网址，就可以得到ip查询的结果，接下来看代码：

 

public void captureHtml(String ip) throws Exception {
    String strURL = "http://ip.chinaz.com/?IP=" + ip;
    URL url = new URL(strURL);
    HttpURLConnection httpConn = (HttpURLConnection) url.openConnection();
    InputStreamReader input = new InputStreamReader(httpConn
            .getInputStream(), "utf-8");
    BufferedReader bufReader = new BufferedReader(input);
    String line = "";
    StringBuilder contentBuf = new StringBuilder();
    while ((line = bufReader.readLine()) != null) {
        contentBuf.append(line);
    }
    String buf = contentBuf.toString();
    int beginIx = buf.indexOf("查询结果[");
    int endIx = buf.indexOf("上面四项依次显示的是");
    String result = buf.substring(beginIx, endIx);
    System.out.println("captureHtml()的结果：\n" + result);
}

使用HttpURLConnection连接网站，用bufReader保存网页返回的数据，然后通过自定义的一个解析方式将结果显示出来。

 

这里我只是随便的解析了一下，要解析的非常准确的话自己需再处理。

解析结果如下：

captureHtml()的结果：
查询结果[1]: 111.142.55.73 ==>> 1871591241 ==>> 福建省漳州市 移动</strong><br />  

 

二、抓取网页JavaScript返回的结果。

有时候网站为了保护自己的数据，并没有把数据直接放在网页源码中返回，而是采用异步的方式，用JS返回数据，这样可以避免搜索引擎等工具对网站数据的抓取。

首先看一下这个网页：

 

用第一种方式查看该网页的源码，却没有发现该运单的跟踪信息，因为它是通过JS的方式获取结果的。

但有时候我们很需要获取到JS的数据，这个时候要怎么办呢？

这个时候我们需要用到一个工具：HTTP Analyzer，这个工具可以截获Http的交互内容，我们通过这个工具来达到我们的目的。

首先点击Start按钮之后，它就开始监听网页的交互行为了。

我们打开网页：http://www.kiees.cn/sf.php ，可以看到HTTP Analyzer列出了所有该网页的请求数据以及结果：

 

为了更方便的查看JS的结果，我们先清空这些数据，然后再网页中输入快递单号：107818590577，点击查询按钮，然后查看HTTP Analyzer的结果：

这个就是点击查询按钮之后，HTTP Analyzer的结果，我们继续查看：

 

从上面两幅图中可以看出，HTTP Analyzer可以截获JS返回的数据，并在Response Content中显示，同时可以看到JS请求的网页地址。

既然如此，我们只要分析HTTP Analyzer的结果，然后模拟JS的行为就可获取到数据，即我们只要访问JS请求的网页地址来获取数据，当然前提是这些数据是没有经过加密的，我们记下JS请求的URL：http://www.kiees.cn/sf.php?wen=107818590577&channel=&rnd=0

然后让程序去请求这个网页的结果即可！

下面是代码：

 

public void captureJavascript(String postid) throws Exception {
    String strURL = "http://www.kiees.cn/sf.php?wen=" + postid
            + "&channel=&rnd=0";
    URL url = new URL(strURL);
    HttpURLConnection httpConn = (HttpURLConnection) url.openConnection();
    InputStreamReader input = new InputStreamReader(httpConn
            .getInputStream(), "utf-8");
    BufferedReader bufReader = new BufferedReader(input);
    String line = "";
    StringBuilder contentBuf = new StringBuilder();
    while ((line = bufReader.readLine()) != null) {
        contentBuf.append(line);
    }
    System.out.println("captureJavascript()的结果：\n" + contentBuf.toString());
}

看到了吧，抓取JS的方式和前面抓取原网页的代码一模一样，我们只不过做了一个分析JS的过程。

 

下面是程序执行的结果：

captureJavascript()的结果：

<div class="results"><div id="ali-itu-wl-result" class="ali-itu-wl-result"><h2 class="logisTitle">运单<span class="mail-no">【107818590577】</span>的跟踪信息</h2><div class="trace_result"><ul><li><span class="time">2012-07-16 15:46:00</span><span class="info">已收件 </span></li><li><span class="time">2012-07-16 16:03:00</span><span class="info">快件在 广州\t,准备送往下一站广州集散中心 </span></li><li><span class="time">2012-07-16 19:33:00</span><span class="info">快件在 广州集散中心,准备送往下一站佛山集散中心 </span></li><li><span class="time">2012-07-17 01:56:00</span><span class="info">快件在 佛山集散中心\t,准备送往下一站佛山 </span></li><li><span class="time">2012-07-17 09:41:00</span><span class="info">正在派件.. </span></li><li><span class="time">2012-07-17 11:28:00</span><span class="info">派件已签收 </span></li><li><span class="time">2012-07-17 11:28:00</span><span class="info">签收人是:已签收 </span></li></ul><div></div></div></div>  </div>

这些数据就是JS返回的结果了，我们的目的达到了！

希望本文能够对需要的朋友有一点帮助，需要程序源码的，请点击这里下载！