[原创]利用爬虫技术获取网页数据,以及想要的指定数据

      最近在公司做个系统,由于要获取网页的一些数据,以及一些网页的数据,所以就写的一个公用的HttpUtils.下面是针对乌云网我写的一个例子。

 

 一、首先是获取指定路径下的网页内容。

 

 

	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("请求异常状态值:" + 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();
	}

 

浏览器询问结果:

 

代码询问结果与上面一致:

 

二、通过指定url获取,网页部分想要的数据。

 

对于这个方法,要导入Jsoup包,这个可以自己在网上下载。

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());
 }

 

对于那个select选择器,根据条件来选择,doc.select("h3").iterator(),对于Jsoup有以下规则:

jsoup 是一款基于Java 的HTML解析器,可直接解析某个URL地址或HTML文本内容。它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuery的操作方法来取出和操作数据。
jsoup的强大在于它对文档元素的检索,Select方法将返回一个Elements集合,并提供一组方法来抽取和处理结果,要掌握Jsoup首先要熟悉它的选择器语法。
1、Selector选择器基本语法

  • tagname: 通过标签查找元素,比如:a
  • ns|tag: 通过标签在命名空间查找元素,比如:可以用 fb|name 语法来查找 <fb:name> 元素
  • #id: 通过ID查找元素,比如:#logo
  • .class: 通过class名称查找元素,比如:.masthead
  • [attribute]: 利用属性查找元素,比如:[href]
  • [^attr]: 利用属性名前缀来查找元素,比如:可以用[^data-] 来查找带有HTML5 Dataset属性的元素
  • [attr=value]: 利用属性值来查找元素,比如:[width=500]
  • [attr^=value], [attr$=value], [attr*=value]: 利用匹配属性值开头、结尾或包含属性值来查找元素,比如:[href*=/path/]
  • [attr~=regex]: 利用属性值匹配正则表达式来查找元素,比如: img[src~=(?i)\.(png|jpe?g)]
  • *: 这个符号将匹配所有元素

2、Selector选择器组合使用语法

  • el#id: 元素+ID,比如: div#logo
  • el.class: 元素+class,比如: div.masthead
  • el[attr]: 元素+class,比如: a[href]
  • 任意组合,比如:a[href].highlight
  • ancestor child: 查找某个元素下子元素,比如:可以用.body p 查找在”body”元素下的所有 p元素
  • parent > child: 查找某个父元素下的直接子元素,比如:可以用div.content > p 查找 p 元素,也可以用body > * 查找body标签下所有直接子元素
  • siblingA + siblingB: 查找在A元素之前第一个同级元素B,比如:div.head + div
  • siblingA ~ siblingX: 查找A元素之前的同级X元素,比如:h1 ~ p
  • el, el, el:多个选择器组合,查找匹配任一选择器的唯一元素,例如:div.masthead, div.logo

3、Selector伪选择器语法

  • :lt(n): 查找哪些元素的同级索引值(它的位置在DOM树中是相对于它的父节点)小于n,比如:td:lt(3) 表示小于三列的元素
  • :gt(n):查找哪些元素的同级索引值大于n,比如: div p:gt(2)表示哪些div中有包含2个以上的p元素
  • :eq(n): 查找哪些元素的同级索引值与n相等,比如:form input:eq(1)表示包含一个input标签的Form元素
  • :has(seletor): 查找匹配选择器包含元素的元素,比如:div:has(p)表示哪些div包含了p元素
  • :not(selector): 查找与选择器不匹配的元素,比如: div:not(.logo) 表示不包含 class="logo" 元素的所有 div 列表
  • :contains(text): 查找包含给定文本的元素,搜索不区分大不写,比如: p:contains(jsoup)
  • :containsOwn(text): 查找直接包含给定文本的元素
  • :matches(regex): 查找哪些元素的文本匹配指定的正则表达式,比如:div:matches((?i)login)
  • :matchesOwn(regex): 查找自身包含文本匹配指定正则表达式的元素

注意:上述伪选择器索引是从0开始的,也就是说第一个元素索引值为0,第二个元素index为1等。

 

浏览器访问:

 

 

代码访问:

 

 

源代码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;

/**
 * 抓取网页工具类
 * @author g-gaojp
 * @date 2016-7-10
 */
public class HttpUtils {

	/**
	 * 获取网页数据
	 * @param urlStr  访问地址
	 * @param params  参数
	 * @param charset 字符编码
	 * @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("请求异常状态值:" + 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();
	}
	
	/**
	 * 获取网页数据
	 * @param urlStr  访问地址
	 * @param params  参数
	 * @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("请求异常状态值:" + 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();
	}
	

	/**
	 * 从获得的网页的document中获取指定条件的内容
	 * @param document
	 * @param condition 条件
	 * @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;
	}
	
	/**
	 * 判断从获得的网页的document中<br/>
	 * 获取指定条件的内容是否存在
	 * @param document
	 * @param condition 条件
	 * @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;
	}

}

  

 

posted on 2016-08-02 09:54  与我同在  阅读(...)  评论(...编辑  收藏

导航

统计