java - 使用Java从网页中抓取数据？

Question

我正在为我的一个类(class)创建一个 Twitter 机器人，以练习使用队列并构建我的简历。

我希望机器人从 paper.li 时事通讯中抓取 Twitter 句柄，然后向用户发送推文。

这是一个示例网页。 http://paper.li/profkane/1335985326

我的推理，最初是抓取网页的链接，然后获取页面源，浏览它以查找@twitterhandle，然后将它们添加到队列中，以便稍后在构造消息时使用。

我查找了页面源代码，但在网页上的任何位置都找不到 Twitter 名称。这在 Java 中仍然可以做到吗？

Answer 1

您需要使用支持 JavaScript 的库。我为此使用 HtmlUnit，这是一个用于复制浏览器行为的出色库!

查看我修改后的答案from this question下面是如何使用 javascript 访问页面的简单示例。

首先，查看他们的网页 ( http://htmlunit.sourceforge.net/ ) 以启动并运行 htmlunit。确保使用最新的快照(编写本文时为2.12)

尝试这些设置来忽略几乎所有障碍:

WebClient webClient = new WebClient(BrowserVersion.FIREFOX_17);
webClient.getOptions().setRedirectEnabled(true);
webClient.getOptions().setCssEnabled(false);
webClient.getOptions().setThrowExceptionOnScriptError(false);
webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);
webClient.getOptions().setUseInsecureSSL(true);
webClient.getOptions().setJavaScriptEnabled(true);
webClient.getCookieManager().setCookiesEnabled(true);

然后，在获取页面时，请确保在对页面执行任何操作之前等待后台 Javascript，例如等待后台 javascript。

//Get Page
HtmlPage page1 = webClient.getPage("https://login-url/");

//Wait for background Javascript
webClient.waitForBackgroundJavaScript(10000);

//Get full page _after_ javascript has rendered it fully
System.out.println(page1.asXml());    

我希望这个基本示例对您有所帮助!

您可以使用 HtmlUnit 执行浏览器可以执行的几乎任何操作，但可以通过编程方式执行。