java爬虫抓取网页数据(Python即时网络爬虫GitHub源7，文档修改历史(组图) )

　　java爬虫抓取网页数据(Python即时网络爬虫GitHub源7，文档修改历史(组图)

)

　　1 简介

　　本文介绍了如何使用 GooSeeker API 下载 Java 和 JavaScript 中的内容提取器。这是一个示例程序。什么是内容提取器？为什么要用这种方式？来自 Python Instant Web Crawler 开源项目：通过生成内容提取器来节省程序员的时间。详情请参阅“内容提取器的定义”。

　　2.用Java下载内容提取器

　　这是一系列示例程序之一。就目前编程语言的发展而言，Java并不适合提取网页内容。除了语言的不灵活和方便外，整个生态系统还不够活跃，可选类库增长缓慢。此外，要从 JavaScript 动态网页中提取内容，Java 也很不方便，需要 JavaScript 引擎。使用 JavaScript 下载内容提取器以直接跳到第 3 部分的内容。

　　执行

　　注解：

　　源代码如下：

　　 public static void main(String[] args)

{

InputStream xslt = null;

try

{

String grabUrl = "http://m.58.com/cs/qiuzu/22613961050143x.shtml"; // 抓取网址

String resultPath = "F:/temp/xslt/result.xml"; // 抓取结果文件的存放路径

// 通过GooSeeker API接口获得xslt

xslt = getGsExtractor();

// 抓取网页内容转换结果文件

convertXml(grabUrl, xslt, resultPath);

} catch (Exception e)

{

e.printStackTrace();

} finally

{

try

{

if (xslt != null)

xslt.close();

} catch (IOException e)

{

e.printStackTrace();

}

}

}

/**

* @description dom转换

*/

public static void convertXml(String grabUrl, InputStream xslt, String resultPath) throws Exception

{

// 这里的doc对象指的是jsoup里的Document对象

org.jsoup.nodes.Document doc = Jsoup.parse(new URL(grabUrl).openStream(), "UTF-8", grabUrl);

W3CDom w3cDom = new W3CDom();

// 这里的w3cDoc对象指的是w3c里的Document对象

org.w3c.dom.Document w3cDoc = w3cDom.fromJsoup(doc);

Source srcSource = new DOMSource(w3cDoc);

TransformerFactory tFactory = TransformerFactory.newInstance();

Transformer transformer = tFactory.newTransformer(new StreamSource(xslt));

transformer.transform(srcSource, new StreamResult(new FileOutputStream(resultPath)));

}

/**

* @description 获取API返回结果

*/

public static InputStream getGsExtractor()

{

// api接口

String apiUrl = "http://www.gooseeker.com/api/getextractor";

// 请求参数

Map params = new HashMap();

params.put("key", "xxx"); // Gooseeker会员中心申请的API KEY

params.put("theme", "xxx"); // 提取器名，就是用MS谋数台定义的规则名

params.put("middle", "xxx"); // 规则编号，如果相同规则名下定义了多个规则，需填写

params.put("bname", "xxx"); // 整理箱名，如果规则含有多个整理箱，需填写

String httpArg = urlparam(params);

apiUrl = apiUrl + "?" + httpArg;

InputStream is = null;

try

{

URL url = new URL(apiUrl);

HttpURLConnection urlCon = (HttpURLConnection) url.openConnection();

urlCon.setRequestMethod("GET");

is = urlCon.getInputStream();

} catch (ProtocolException e)

{

e.printStackTrace();

} catch (IOException e)

{

e.printStackTrace();

}

return is;

}

/**

* @description 请求参数

*/

public static String urlparam(Map data)

{

StringBuilder sb = new StringBuilder();

for (Map.Entry entry : data.entrySet())

{

try

{

sb.append(entry.getKey()).append("=").append(URLEncoder.encode(entry.getValue() + "", "UTF-8")).append("&");

} catch (UnsupportedEncodingException e)

{

e.printStackTrace();

}

}

return sb.toString();

}

　　返回结果如下：

　　

　　3. 使用 JavaScript 下载内容提取器

　　请注意，如果本示例中的 JavaScript 代码运行在网页上，由于跨域问题，无法抓取非本地网页的内容。因此，需要在特权JavaScript引擎上运行，例如浏览器扩展、自研浏览器、自身程序中的JavaScript引擎等。

　　为了实验的方便，这个例子还在网页上运行。为了绕过跨域问题，保存并修改目标网页，并在其中插入JavaScript。这么多手动操作只是为了实验，正式使用时还需要考虑其他手段。

　　执行

　　注解：

　　这是源代码：

　　返回结果截图如下

　　

　　4、展望

　　您还可以使用 Python 来获取指定网页的内容。我觉得Python的语法更简洁。以后我会添加 Python 语言的例子。有兴趣的朋友可以加入研究。

　　五、相关文件

　　Python Instant Web Crawler：API 说明

　　6.Jisouke GooSeeker开源代码下载源

　　GooSeeker 开源 Python 网络爬虫 GitHub 源码

　　7.文档修改历史

　　2016-06-20: V1.0

　　如有疑问，您可以或