java - 使用java抓取网页并下载视频

Question

我正在尝试抓取这个 9gag link

我尝试使用 JSoup 来获取此 HTML tag 用于获取源链接​​并直接下载视频。

我尝试使用此代码

    public static void main(String[] args) throws IOException {
        Response response= Jsoup.connect("https://9gag.com/gag/a2ZG6Yd")
                   .ignoreContentType(true)
                   .userAgent("Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:25.0) Gecko/20100101 Firefox/25.0")  
                   .referrer("https://www.facebook.com/")
                   .timeout(12000) 
                   .followRedirects(true)
                   .execute();

        Document doc = response.parse();
        System.out.println(doc.getElementsByTag("video"));
    }

但我什么也没得到

我尝试了这个

    public static void main(String[] args) throws IOException {
        Response response= Jsoup.connect("https://9gag.com/gag/a2ZG6Yd")
                   .ignoreContentType(true)
                   .userAgent("Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:25.0) Gecko/20100101 Firefox/25.0")  
                   .referrer("https://www.facebook.com/")
                   .timeout(12000) 
                   .followRedirects(true)
                   .execute();

        Document doc = response.parse();
        System.out.println(doc.getAllElements());
    }

我注意到 HTML 中没有我要查找的标签，就好像页面是动态加载的，并且标签“video”尚未加载

我能做什么？ 谢谢大家😊

Answer 1

让我们反转一下方法。您已经知道我们正在寻找类似 https://img-9gag-fun.9cache.com/photo/a2ZG6Yd_460svvp9.webm 的 URL (要获取视频的 URL，您也可以在 Chrome 中右键单击该视频，然后选择“复制视频地址”)。

如果您搜索页面源代码，您会发现a2ZG6Yd_460svvp9.webm但它存储在 <script> 内的 JSON 中。

这对于 Jsoup 来说不是一个好消息，因为它无法被解析，但是我们可以使用简单的正则表达式来获取这个链接。 URL 已被转义，因此我们必须删除反斜杠。然后就可以使用Jsoup下载该文件了。

    public static void main(String[] args) throws IOException {
        Document doc = Jsoup.connect("https://9gag.com/gag/a2ZG6Yd").ignoreContentType(true)
                .userAgent("Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:25.0) Gecko/20100101 Firefox/25.0")
                .referrer("https://www.facebook.com/").timeout(12000).followRedirects(true).get();

        String html = doc.toString();

        Pattern p = Pattern.compile("\"vp9Url\":\"([^\"]+?)\"");
        Matcher m = p.matcher(html);
        if (m.find()) {
            String escpaedURL = m.group(1);
            String correctUrl = escpaedURL.replaceAll("\\\\", "");
            System.out.println(correctUrl);
            downloadFile(correctUrl);
        }
    }

    private static void downloadFile(String url) throws IOException {
        FileOutputStream out = (new FileOutputStream(new File("C:\\file.webm")));
        out.write(Jsoup.connect(url).ignoreContentType(true).execute().bodyAsBytes());
        out.close();
    }

另请注意 vp9Url不是唯一的一个，所以也许另一个更合适，例如 h265Url或webpUrl .