htmlunit 抓取网页(网页获取和解析速度和性能的应用场景详解！ )

　　htmlunit 抓取网页(网页获取和解析速度和性能的应用场景详解！

)

　　(4）支持代理

　　(5）支持自动cookie管理等。

　　Java爬虫开发中应用最广泛的网页获取技术之一，速度和性能一流。它在功能支持方面相对较低。不支持JS脚本执行、CSS解析、渲染等准浏览器功能。推荐用于快速访问网页。无需解析脚本和 CSS 的场景。

　　示例代码如下：

　　package cn.ysh.studio.crawler.httpclient;

import org.apache.http.client.HttpClient;

import org.apache.http.client.ResponseHandler;

import org.apache.http.client.methods.HttpGet;

import org.apache.http.impl.client.BasicResponseHandler;

import org.apache.http.impl.client.DefaultHttpClient;

/**

* 基于HtmlClient抓取网页内容

*

* @author www.yshjava.cn

*/

public class HttpClientTest {

public static void main(String[] args) throws Exception {

//目标页面

String url = "http://www.yshjava.cn";

//创建一个默认的HttpClient

HttpClient httpclient = new DefaultHttpClient();

try {

//以get方式请求网页http://www.yshjava.cn

HttpGet httpget = new HttpGet(url);

//打印请求地址

System.out.println("executing request " + httpget.getURI());

//创建响应处理器处理服务器响应内容

ResponseHandlerresponseHandler = new BasicResponseHandler();

//执行请求并获取结果

String responseBody = httpclient.execute(httpget, responseHandler);

System.out.println("----------------------------------------");

System.out.println(responseBody);

System.out.println("----------------------------------------");

} finally {

//关闭连接管理器

httpclient.getConnectionManager().shutdown();

}

}

}

　　汤

　　jsoup 是一个 Java HTML 解析器，可以直接解析一个 URL 地址和 HTML 文本内容。它提供了一个非常省力的 API，用于通过 DOM、CSS 和类似 jQuery 的操作方法获取和操作数据。

　　网页获取解析速度快，推荐。

　　主要功能如下：

　　1. 从 URL、文件或字符串解析 HTML；

　　2. 使用 DOM 或 CSS 选择器来查找和检索数据；

　　3. 可以操作 HTML 元素、属性、文本；

　　示例代码如下：

　　package cn.ysh.studio.crawler.jsoup;

import java.io.IOException;

import org.jsoup.Jsoup;

/**

* 基于Jsoup抓取网页内容

* @author www.yshjava.cn

*/

public class JsoupTest {

public static void main(String[] args) throws IOException {

//目标页面

String url = "http://www.yshjava.cn";

//使用Jsoup连接目标页面,并执行请求,获取服务器响应内容

String html = Jsoup.connect(url).execute().body();

//打印页面内容

System.out.println(html);

}

}

　　html单元

　　htmlunit 是一个开源的java页面分析工具。阅读完页面后，可以有效地使用htmlunit分析页面上的内容。该项目可以模拟浏览器的操作，称为java浏览器的开源实现。这个没有界面的浏览器运行速度非常快。使用 Rhinojs 引擎。模拟js运行。

　　网页获取和解析速度快，性能更好。推荐用于需要解析网页脚本的应用场景。

　　示例代码如下：

　　package cn.ysh.studio.crawler.htmlunit;

import com.gargoylesoftware.htmlunit.BrowserVersion;

import com.gargoylesoftware.htmlunit.Page;

import com.gargoylesoftware.htmlunit.WebClient;

/**

* 基于HtmlUnit抓取网页内容

*

* @author www.yshjava.cn

*/

public class HtmlUnitSpider {

public static void main(String[] s) throws Exception {

//目标网页

String url = "http://www.yshjava.cn";

//模拟特定浏览器FIREFOX_3

WebClient spider = new WebClient(BrowserVersion.FIREFOX_3);

//获取目标网页

Page page = spider.getPage(url);

//打印网页内容

System.out.println(page.getWebResponse().getContentAsString());

//关闭所有窗口

spider.closeAllWindows();

}

}

　　瓦蒂

　　Watij（发音为 wattage）是一个用 Java 开发的 Web 应用程序测试工具。鉴于 Watij 的简单性和 Java 语言的强大功能，Watij 使您能够在真实浏览器中自动测试 Web 应用程序。因为调用本地浏览器，所以支持CSS渲染和JS执行。

　　网页访问速度一般，IE版本太低（6/7）可能会导致内存泄漏。

　　示例代码如下：

　　package cn.ysh.studio.crawler.ie;

import watij.runtime.ie.IE;

/**

* 基于Watij抓取网页内容,仅限Windows平台

*

* @author www.yshjava.cn

*/

public class WatijTest {

public static void main(String[] s) {

//目标页面

String url = "http://www.yshjava.cn";

//实例化IE浏览器对象

IE ie = new IE();

try {

//启动浏览器

ie.start();

//转到目标网页

ie.goTo(url);

//等待网页加载就绪

ie.waitUntilReady();

//打印页面内容

System.out.println(ie.html());

} catch (Exception e) {

e.printStackTrace();

} finally {

try {

//关闭IE浏览器

ie.close();

} catch (Exception e) {

}

}

}

}

　　硒

　　Selenium 也是一个用于 Web 应用程序测试的工具。Selenium 测试直接在浏览器中运行，就像真正的用户一样。支持的浏览器包括 IE、Mozilla Firefox、Mozilla Suite 等。该工具的主要功能包括： 测试与浏览器的兼容性——测试您的应用程序是否在不同的浏览器和操作系统上运行良好。测试系统功能 - 创建回归测试以验证软件功能和用户需求。支持动作的自动记录和自动生成。Net、Java、Perl 和其他不同语言的测试脚本。Selenium 是 ThoughtWorks 专门为 Web 应用程序编写的验收测试工具。

　　网页抓取速度慢，对于爬虫来说不是一个好的选择。

　　示例代码如下：

　　package cn.ysh.studio.crawler.selenium;

import org.openqa.selenium.htmlunit.HtmlUnitDriver;

/**

* 基于HtmlDriver抓取网页内容

*

* @author www.yshjava.cn

*/

public class HtmlDriverTest {

public static void main(String[] s) {

//目标网页

String url = "http://www.yshjava.cn";

HtmlUnitDriver driver = new HtmlUnitDriver();

try {

//禁用JS脚本功能

driver.setJavascriptEnabled(false);

//打开目标网页

driver.get(url);

//获取当前网页源码

String html = driver.getPageSource();

//打印网页源码

System.out.println(html);

} catch (Exception e) {

//打印堆栈信息

e.printStackTrace();

} finally {

try {

//关闭并退出

driver.close();

driver.quit();

} catch (Exception e) {

}

}

}

}

　　网络规范

　　具有支持脚本执行和 CSS 呈现的界面的开源 Java 浏览器。平均速度。

　　示例代码如下：

　　package cn.ysh.studio.crawler.webspec;

import org.watij.webspec.dsl.WebSpec;

/**

* 基于WebSpec抓取网页内容

*

* @author www.yshjava.cn

*/

public class WebspecTest {

public static void main(String[] s) {

//目标网页

String url = "http://www.yshjava.cn";

//实例化浏览器对象

WebSpec spec = new WebSpec().mozilla();

//隐藏浏览器窗体

spec.hide();

//打开目标页面

spec.open(url);

//打印网页源码

System.out.println(spec.source());

//关闭所有窗口

spec.closeAll();

}

}