zoukankan      html  css  js  c++  java
  • web爬虫工具由jsoup改为htmlunit的原因分析

    起因:要抓取多部电影的上映时间,每部电影的上映时间都需要请求外部网页来获取,起初用的是jsoup抓取,但是73个请求中有10几个请求都无法获取页面的上映时间节点元素,后来改用了htmlunit进行抓取,73个请求中只有一个请求获取不到页面的上映时间节点元素。

    pom文件添加如下依赖:

            <dependency>
                <groupId>net.sourceforge.htmlunit</groupId>
                <artifactId>htmlunit</artifactId>
                <version>2.19</version>
            </dependency>
            <dependency>
                <groupId>xml-apis</groupId>
                <artifactId>xml-apis</artifactId>
                <version>1.4.01</version>
            </dependency>
       

    httpunit抓取外部网页的example:

                        WebClient webClient = new WebClient(BrowserVersion.CHROME);
                        webClient.getOptions().setUseInsecureSSL(true);
                        webClient.getOptions().setJavaScriptEnabled(true);//启用javascript
                        webClient.getOptions().setCssEnabled(false);//禁用css
                        webClient.getOptions().setThrowExceptionOnScriptError(false);
                        webClient.getOptions().setTimeout(100000);//设置超时时间为100S
                        webClient.getOptions().setDoNotTrackEnabled(false);
                        HtmlPage page = webClient.getPage(url);//url此处要改为自己要抓取的外部网页
                        List<HtmlSpan> spans = (List<HtmlSpan>)page.getByXPath("//span[@class='information-item']");//获取页面的clsss="information-item"的span元素集合(注:请根据自己的实际情况修改xpath路径)
                        String onShowDate;
                        if (spans.size()==0) {
                            System.out.println("无法获取上映时间的电影名字:***" );
                        } else {
                            onShowDate = spans.get(0).asText();//获取到的span集合的第一个元素就是上映时间结点(注:根据自己的实际情况进行修改)
                            System.out.println(onShowDate);
                       }
  • 相关阅读:
    backup archivelog delete input 与delete all input 区别
    RMAN LIST
    RMAN '异机异目录恢复'
    linux系统日志解析
    rman备份丢失控制文件,利用dbms_backup_restore恢复
    同义词的妙用
    上季度的老毛病又来了
    ORA20446,再次遭遇oracle bug
    修改RAC VIP IP
    数据库慢,原来与数据库无关
  • 原文地址:https://www.cnblogs.com/zhaijing/p/7116518.html
Copyright © 2011-2022 走看看