通过java抓取任何指定网页的数据---该技术可实现网站静态化

通过java抓取任何指定网页的数据---该技术可实现网站静态化
发布: 2009-12-18 09:28 | 作者: sytkang | 来源: 迈胜 IT人才培训机构

假设你需要获取51job人才网上java人才的需求数量，首先你需要分析51job网站的搜索这一块是怎么运作的，通过解析网页的源代码，我们发现了以下一些信息：
1. 搜索时页面请求的URL是 http://search.51job.com/jobsearch/search_result.php
2. 请求所用的方法为：POST
3. 返回的页面的编码格式为：GBK
4. 假设我们想获取搜索java人才时结果页面中显示的需求数量，我们发现数量位于返回的HTML数据中这样的一段代码之中：<td>1-30 / 14794</td>，于是我们可以得到这样的一个模式：".+1-\d+ / (\d+).+"，第一个分组的内容就是我们需要的最终数据，有关java中的模式，请参考java文档中Pattern类的介绍
5. 另外做为POST请求，页面向服务器发送的数据如下(这个很容易能过prototype这样的js框架抓取到，参考我的其它博客介绍)：lang=c& amp; amp;stype=1&postchannel=0000&fromType=1&line=&keywordtype=2&keyword=java&btnJobarea=%E9%80%89%E6%8B%A9%E5%9C%B0%E5%8C%BA&jobarea=0000&image=&btnFuntype=%E9%80%89%E6%8B%A9%2F%E4%BF%AE%E6%94%B9&funtype=0000&btnIndustrytype=%E9%80%89%E6%8B%A9%2F%E4%BF%AE%E6%94%B9&industrytype=00
对于第5条中的数据哪些是服务器真正需要的我们不管，全部发送过去就是了。有了这些准备，我们就可以真正开始通过java发送请求，并获得最终数据了。

我们定义Resource类，这个类封装所有的与请求有关的信息，Resource包括以下属性：
CODE:

/** *//**
  * 需要获取资源的目标地址，不包含查询串
  */
private String target;
  /** *//**
  * get请求时的查询串，或post请求的请求数据
  */
private String queryData = "";

/** *//**
  * 请求方式，get / post
  */
private String method = "GET";

/** *//**
  * 返回的数据的编码类型
  */
private String charset = "GBK";

/** *//**
  * 抓取数据的模式，将根据模式的分组来返回数据列表
  */
private String pattern;
以下为抓取内容的代码：
CODE:

//假设以下代码中res对象封装了所有的请求信息。
//URL指向目的地。
//res.getTarget返回目标地址，且当为get请求时，这个地址包含了查询串的信息
URL url = new URL(res.getTarget());
HttpURLConnection con = (HttpURLConnection) url.openConnection(); //建立到目的地的联接
con.setRequestMethod(res.getMethod()); //设置请求的方法
//设置HTTP请求头信息
con.setRequestProperty("accept", "*/*"); 
con.setRequestProperty("connection", "Keep-Alive");
con.setRequestProperty("user-agent",
        "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1)");
con.setDoInput(true);
if (res.getMethod().equals("POST")) { //如果为Post请求则发送请求数据
  con.setDoOutput(true);
  con.getOutputStream().write(res.getQueryData().getBytes());
  con.getOutputStream().flush();
}   
//通过BufferedReader一行行的读取数据，如果你需要的是全部返回结果，可以修改一下这里
BufferedReader br = new BufferedReader(new InputStreamReader(
con.getInputStream(), res.getCharset()));
Pattern pattern = Pattern.compile(res.getPattern());
String s = null;
while ((s = br.readLine()) != null) {
   System.out.println(s);
   Matcher m = pattern.matcher(s); //检测当前行是否与要求结果的模式相匹配
   boolean b = m.matches();
   if (! b) {
      continue;
   }
   int size = m.groupCount();
   List result = new ArrayList(size);
   for(int i=0; i<size; i++){
     result.add(m.group(i+1)); //如果有多个分组，则取出所有分组，并把最终结果做为列表返回
   }    
   return result;
}
如果不需要通过提交表单数据给服务器就能抓取到最终结果，显然上面的操作就有点小题大作了，删除上面的部分代码就可以了。