我想解析一个网站并从中获取一些信息。问题是,当我用java加载页面并将其保存到文件中时,它不包含我需要的信息。当我单击页面上的“查看源代码”时,也没有任何信息。但是,当我下载页面(另存为)并用记事本打开它时,我能够找到我需要的内容。
简而言之,java 加载的网页与我下载并用记事本打开的网页不同。
如何将页面加载到字符串中,使其看起来与我在计算机上下载的页面相同?
public static void main(String[] args) {
try {
String webPage = "http://www.integral-calculator.com/#";
URL url = new URL(webPage);
URLConnection urlConnection = url.openConnection();
InputStream is = urlConnection.getInputStream();
InputStreamReader isr = new InputStreamReader(is);
int numCharsRead;
char[] charArray = new char[1024];
StringBuffer sb = new StringBuffer();
while ((numCharsRead = isr.read(charArray)) > 0) {
sb.append(charArray, 0, numCharsRead);
}
String result = sb.toString();
PrintWriter out = new PrintWriter("C:\\Users\\Patryk\\Desktop\\filename.txt");
out.println(result);
out.close();
} catch (MalformedURLException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
}
最佳答案
浏览器加载起始页后,例如index.html
,它将尝试加载和解析更多内容:CSS 文件、Javascript 文件、多媒体文件等。然后,当事件被触发时,所有 JavaScript 都会运行并可能加载更多内容。
因此可以想象,大部分网页内容都是在第二步中加载的。如果您像在代码片段中那样仅下载带有 URLConnection
的起始页,则您只会收到第一个启动帧,而没有其他内容。
如果您考虑一下这一点,您就会意识到一个简单的 URLConnection
与浏览器的强大行为相去甚远。 HTTPClient
位于 URLConnection
和浏览器之间。对于所有这些级别,您都会发现 Java 库的行为或多或少复杂,因此获得的内容也或多或少。
在下面的线程中,提到了 Apache Java HTTPClient
:
Equivallent of .NET's WebClient and HttpWebRequest in Java?
在这个线程中,提到了 Java HTMLUnit
。它可以几乎完全加载网站并解析大量 Javascript:
Apache HttpClient 4 And JavaScript
如果您使用 HTMLUnit
,您会找到下载大部分网页的方法,包括额外加载的内容。然后,您将看不到您抓取的网页或浏览器抓取的网页之间有太大差异。
--
另一种抓取网页的方法是在 shell 执行中使用 wget
命令。 wget
可以递归下载具有附加内容和文件结构的网站,并将它们存储到磁盘上。
只需打开 shell 并尝试 wget -E -H -k -K -p http://www.garfield.com
。这将下载完整链接的哲学猫的内容。
关于java - 解析网页,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/24538302/