HtmlUnit、httpclient、jsoup爬取網頁信息并解析

1.爬取頁面效果圖

點擊"百度一下"按鈕前頁面

點擊"百度一下"按鈕后頁面

天涯社區登錄頁面

登錄進去之后個人主頁

二、具體實現代碼

HtmlUnit(底層也是采用httpclient)和jsoup  API

package com.yuanhai.test;

import java.io.IOException;
import java.net.MalformedURLException;

import org.jsoup.Connection;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.safety.Whitelist;
import org.jsoup.select.Elements;
import org.junit.Assert;
import org.junit.Test;

import com.gargoylesoftware.htmlunit.BrowserVersion;
import com.gargoylesoftware.htmlunit.DefaultCredentialsProvider;
import com.gargoylesoftware.htmlunit.NicelyResynchronizingAjaxController;
import com.gargoylesoftware.htmlunit.WebClient;
import com.gargoylesoftware.htmlunit.html.HtmlAnchor;
import com.gargoylesoftware.htmlunit.html.HtmlButton;
import com.gargoylesoftware.htmlunit.html.HtmlDivision;
import com.gargoylesoftware.htmlunit.html.HtmlForm;
import com.gargoylesoftware.htmlunit.html.HtmlInput;
import com.gargoylesoftware.htmlunit.html.HtmlPage;
import com.gargoylesoftware.htmlunit.html.HtmlSubmitInput;
import com.gargoylesoftware.htmlunit.html.HtmlTextInput;
//參考博文
//1.http://blog.csdn.net/zstu_cc/article/details/39250903
//2.http://blog.csdn.net/cslie/article/details/48735261

public class HtmlUnitAndJsoup {

    /*
     * 首先說說HtmlUnit相對于HttpClient的最明顯的一個好處,
     * 是HtmlUnit不僅保存了這個網頁對象，更難能可貴的是它還存有這個網頁的所有基本操作甚至事件。
     * 現在很多網站使用大量ajax，普通爬蟲無法獲取js生成的內容。
     */

    /*
     * 依賴的jar包 commons-lang3-3.1.jar htmlunit-2.13.jar htmlunit-core-js-2.13.jar
     * httpclient-4.3.1.jar httpcore-4.3.jar httpmime-4.3.1.jar sac-1.3.jar
     * xml-apis-1.4.01.jar commons-collections-3.2.1.jar commons-io-2.4.jar
     * xercesImpl-2.11.0.jar xalan-2.7.1.jar cssparser-0.9.11.jar
     * nekohtml-1.9.19.jar
     */
    // 百度新聞高級搜索
    @Test
    public void HtmlUnitBaiduAdvanceSearch() {
        try {
            // 得到瀏覽器對象，直接New一個就能得到，現在就好比說你得到了一個瀏覽器了
            WebClient webclient = new WebClient();

            // 這里是配置一下不加載css和javaScript,配置起來很簡單，是不是
            webclient.getOptions().setCssEnabled(false);
            webclient.getOptions().setJavaScriptEnabled(false);

            // 做的第一件事，去拿到這個網頁，只需要調用getPage這個方法即可
            HtmlPage htmlpage = webclient
                    .getPage("http://news.baidu.com/advanced_news.html");

            // 根據名字得到一個表單，查看上面這個網頁的源代碼可以發現表單的名字叫“f”
            final HtmlForm form = htmlpage.getFormByName("f");
            System.out.println(form);
            // 同樣道理，獲取”百度一下“這個按鈕
            final HtmlSubmitInput button = form.getInputByValue("百度一下");
            System.out.println(button);
            // 得到搜索框
            final HtmlTextInput textField = form.getInputByName("q1");

            System.out.println(textField);

            // 最近周星馳比較火呀，我這里設置一下在搜索框內填入”周星馳“
            textField.setValueAttribute("周星馳");
            // 輸入好了，我們點一下這個按鈕
            final HtmlPage nextPage = button.click();
            // 我把結果轉成String
            System.out.println(nextPage);

            String result = nextPage.asXml();

            System.out.println(result);
        } catch (Exception e) {

            e.printStackTrace();
        }

    }

    // 測試天涯論壇登陸界面 HtmlUnit 頁面JS的自動跳轉（響應碼是200，但是響應的頁面就是一個JS）
    // httpClient就麻煩了
    @Test
    public void TianyaTestByHtmlUnit() {

        try {
            WebClient webClient = new WebClient();

            // The ScriptException is raised because you have a syntactical
            // error in your javascript.
            // Most browsers manage to interpret the JS even with some kind of
            // errors
            // but HtmlUnit is a bit inflexible in that sense.
            // 加載的頁面有js語法錯誤會拋出異常

            webClient.getOptions().setJavaScriptEnabled(true); // 啟用JS解釋器，默認為true
            webClient.getOptions().setCssEnabled(false); // 禁用css支持
            // 設置Ajax異步處理控制器即啟用Ajax支持
            webClient
                    .setAjaxController(new NicelyResynchronizingAjaxController());
            // 當出現Http error時，程序不拋異常繼續執行
            webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);
            // 防止js語法錯誤拋出異常
            webClient.getOptions().setThrowExceptionOnScriptError(false); // js運行錯誤時，是否拋出異常

            // 拿到這個網頁
            HtmlPage page = webClient
                    .getPage("http://passport.tianya.cn/login.jsp");

            // 填入用戶名和密碼
            HtmlInput username = (HtmlInput) page.getElementById("userName");
            username.type("yourAccount");
            HtmlInput password = (HtmlInput) page.getElementById("password");
            password.type("yourPassword");

            // 提交
            HtmlButton submit = (HtmlButton) page.getElementById("loginBtn");
            HtmlPage nextPage = submit.click();
            System.out.println(nextPage.asXml());
        } catch (Exception e) {

            e.printStackTrace();
        }
    }

    // jsoup解析文檔
    @Test
    public void jsoupParse() {

        try {
            /** HtmlUnit請求web頁面 */
            // 模擬chorme瀏覽器，其他瀏覽器請修改BrowserVersion.后面
            WebClient wc = new WebClient(BrowserVersion.CHROME);

            wc.getOptions().setJavaScriptEnabled(true); // 啟用JS解釋器，默認為true
            wc.getOptions().setCssEnabled(false); // 禁用css支持
            wc.getOptions().setThrowExceptionOnScriptError(false); // js運行錯誤時，是否拋出異常
            wc.getOptions().setTimeout(10000); // 設置連接超時時間 ，這里是10S。如果為0，則無限期等待
            HtmlPage page = wc.getPage("http://passport.tianya.cn/login.jsp");
            String pageXml = page.asXml(); // 以xml的形式獲取響應文本
            // text只會獲取里面的文本,網頁html標簽和script腳本會被去掉
            String pageText = page.asText();
            System.out.println(pageText);

            // 方法一，通過get方法獲取
            HtmlButton submit = (HtmlButton) page.getElementById("loginBtn");

            // 方法二，通過XPath獲取，XPath通常用于無法通過Id搜索，或者需要更為復雜的搜索時
            HtmlDivision div = (HtmlDivision) page.getByXPath("http://div").get(0);

            // 網絡爬蟲中主要目的就是獲取頁面中所有的鏈接

            java.util.List<HtmlAnchor> achList = page.getAnchors();
            for (HtmlAnchor ach : achList) {
                System.out.println(ach.getHrefAttribute());
            }

            System.out.println("-------jsoup部分------");
            // 服務器端進行校驗并清除有害的HTML代碼,防止富文本提交有害代碼
            Jsoup.clean(pageXml, Whitelist.basic());
            /** jsoup解析文檔 */
            // 把String轉化成document格式
            Document doc = Jsoup.parse(pageXml);
            Element loginBtn = doc.select("#loginBtn").get(0);
            System.out.println(loginBtn.text());
            Assert.assertTrue(loginBtn.text().contains("登錄"));

        } catch (Exception e) {
            e.printStackTrace();
        }
    }

    // htmlunit設置代理上網
    @Test
    public void proxy() {
        String proxyHost = "192.168.0.1";
        int port = 80;
        WebClient webClient = new WebClient(BrowserVersion.CHROME, proxyHost,
                port);

        webClient.setAjaxController(new NicelyResynchronizingAjaxController());

        DefaultCredentialsProvider credentialsProvider = (DefaultCredentialsProvider) webClient
                .getCredentialsProvider();
        String username = "account";
        String password = "password";
        credentialsProvider.addCredentials(username, password);
    }

    // jsoup請求并解析

    @Test
    public void jsoupCrawl() throws IOException {

        String url = "http://passport.tianya.cn/login.jsp";
        Connection con = Jsoup.connect(url);// 獲取請求連接
        // 瀏覽器可接受的MIME類型。
        con.header("Accept",
                "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8");
        con.header("Accept-Encoding", "gzip, deflate");
        con.header("Accept-Language", "zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3");
        con.header("Connection", "keep-alive");
        con.header("Host", url);
        con.header("User-Agent",
                "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:26.0) Gecko/20100101 Firefox/26.0");
        Document doc = con.get();
        Elements loginBtn = doc.select("#loginBtn");
        System.out.println(loginBtn.text());// 獲取節點中的文本，類似于js中的方法
    }
}

httpclient模擬post請求登錄

package com.yuanhai.test;

import java.io.IOException;
import java.security.cert.CertificateException;
import java.security.cert.X509Certificate;
import java.util.ArrayList;
import java.util.List;

import javax.net.ssl.SSLContext;

import org.apache.http.Consts;
import org.apache.http.Header;
import org.apache.http.HttpResponse;
import org.apache.http.NameValuePair;
import org.apache.http.client.HttpClient;
import org.apache.http.client.entity.UrlEncodedFormEntity;
import org.apache.http.client.methods.HttpPost;
import org.apache.http.conn.ssl.SSLConnectionSocketFactory;
import org.apache.http.conn.ssl.SSLContextBuilder;
import org.apache.http.conn.ssl.TrustStrategy;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.message.BasicNameValuePair;
import org.apache.http.util.EntityUtils;

import com.steadystate.css.parser.ParseException;

/** 
 * @author 
 * @date 
 * @version 
 *  
 */  
public class TianyaTestByHttpClient {  
    /** 
     *  無法實現js頁面的自動跳轉，HtmlUnit可以
     */  
    public static void main(String[] args) throws Exception {  
        // 這是一個測試，也是為了讓大家看的更清楚，請暫時拋開代碼規范性，不要糾結于我多建了一個局部變量等  
        // 得到認證https的瀏覽器對象  
        HttpClient client = getSSLInsecureClient();  
        // 得到我們需要的post流  
        HttpPost post = getPost();  
        // 使用我們的瀏覽器去執行這個流,得到我們的結果  
        HttpResponse hr = client.execute(post);  
        // 在控制臺輸出我們想要的一些信息  
        showResponseInfo(hr);  
    }  

    private static void showResponseInfo(HttpResponse hr) throws ParseException, IOException {  

        System.out.println("響應狀態行信息：" + hr.getStatusLine());  
        System.out.println("---------------------------------------------------------------");  

        System.out.println("響應頭信息：");  
        Header[] allHeaders = hr.getAllHeaders();  
        for (int i = 0; i < allHeaders.length; i++) {  
            System.out.println(allHeaders[i].getName() + ":" + allHeaders[i].getValue());  
        }  

        System.out.println("---------------------------------------------------------------");  
        System.out.println("響應正文：");  
        System.out.println(EntityUtils.toString(hr.getEntity()));  
        
     /*   <body>
        <script>
            location.;
        </script>
        </body>*/
    

    }  

    // 得到一個認證https鏈接的HttpClient對象（因為我們將要的天涯登錄是Https的）  
    // 具體是如何工作的我們后面會提到的  
    private static HttpClient getSSLInsecureClient() throws Exception {  
        // 建立一個認證上下文，認可所有安全鏈接，當然，這是因為我們僅僅是測試，實際中認可所有安全鏈接是危險的  
        SSLContext sslContext = new SSLContextBuilder().loadTrustMaterial(null, new TrustStrategy() {  
            public boolean isTrusted(X509Certificate[] chain, String authType) throws CertificateException {  
                return true;  
            }  
        }).build();  
        SSLConnectionSocketFactory sslsf = new SSLConnectionSocketFactory(sslContext);  
        return HttpClients.custom().//  
                setSSLSocketFactory(sslsf)//  
                // .setProxy(new HttpHost("127.0.0.1", 8888))  
                .build();  
    }  

    // 獲取我們需要的Post流，如果你是把我的代碼復制過去，請記得更改為你的用戶名和密碼  
    private static HttpPost getPost() {  
        HttpPost post = new HttpPost("https://passport.tianya.cn/login");  

        // 首先我們初始化請求頭  
        post.addHeader("Referer", "https://passport.tianya.cn/login.jsp");  
        post.addHeader("Host", "passport.tianya.cn");  
        post.addHeader("Origin", "http://passport.tianya.cn");  

        // 然后我們填入我們想要傳遞的表單參數（主要也就是傳遞我們的用戶名和密碼）  
        // 我們可以先建立一個List，之后通過post.setEntity方法傳入即可  
        // 寫在一起主要是為了大家看起來方便，大家在正式使用的當然是要分開處理，優化代碼結構的  
        List<NameValuePair> paramsList = new ArrayList<NameValuePair>();  
        /*  
         * 添加我們要的參數，這些可以通過查看瀏覽器中的網絡看到，如下面我的截圖中看到的一樣 
         * 不論你用的是firebug,httpWatch或者是谷歌自帶的查看器也好,都能查看到（后面會推薦輔助工具來查看） 
         * 要把表單需要的參數都填齊，順序不影響 
         */  
        paramsList.add(new BasicNameValuePair("Submit", ""));  
        paramsList.add(new BasicNameValuePair("fowardURL", "http://www.tianya.cn"));  
        paramsList.add(new BasicNameValuePair("from", ""));  
        paramsList.add(new BasicNameValuePair("method", "name"));  
        paramsList.add(new BasicNameValuePair("returnURL", ""));  
        paramsList.add(new BasicNameValuePair("rmflag", "1"));  
        paramsList.add(new BasicNameValuePair("__sid", "1#1#1.0#a6c606d9-1efa-4e12-8ad5-3eefd12b8254"));  

        // 你可以申請一個天涯的賬號 并在下兩行代碼中替換為你的用戶名和密碼  
        paramsList.add(new BasicNameValuePair("vwriter", "yourAccount"));// 替換為你的用戶名  
        paramsList.add(new BasicNameValuePair("vpassword", "yourPassword"));// 你的密碼  

        // 將這個參數list設置到post中  
        post.setEntity(new UrlEncodedFormEntity(paramsList, Consts.UTF_8));  
        return post;  
    }  

}

參考文章：

http://blog.csdn.net/zstu_cc/article/details/39250903