[原創]利用爬蟲技術獲取網頁數據，以及想要的指定數據

      最近在公司做個系統，由於要獲取網頁的一些數據，以及一些網頁的數據，所以就寫的一個公用的HttpUtils.下面是針對烏雲網我寫的一個例子。

 

 一、首先是獲取指定路徑下的網頁內容。

 

 

	public static String httpGet(String urlStr, Map<String, String> params) throws Exception {
		StringBuilder sb = new StringBuilder();
		if (null != params && params.size() > 0) {
			sb.append("?");
			Entry<String, String> en;
			for (Iterator<Entry<String, String>> ir = params.entrySet().iterator(); ir.hasNext();) {
				en = ir.next();
				sb.append(en.getKey() + "=" + URLEncoder.encode(en.getValue(),"utf-8") + (ir.hasNext() ? "&" : ""));
			}
		}
		URL url = new URL(urlStr + sb);
		HttpURLConnection conn = (HttpURLConnection) url.openConnection();
		conn.setConnectTimeout(5000);
		conn.setReadTimeout(5000);
		conn.setRequestMethod("GET");
		if (conn.getResponseCode() != 200)
			throw new Exception("請求異常狀態值:" + conn.getResponseCode());
		BufferedInputStream bis = new BufferedInputStream(conn.getInputStream());
		Reader reader = new InputStreamReader(bis,"gbk");
		char[] buffer = new char[2048];
		int len = 0;
		CharArrayWriter caw = new CharArrayWriter();
		while ((len = reader.read(buffer)) > -1)
			caw.write(buffer, 0, len);
		reader.close();
		bis.close();
		conn.disconnect();
		//System.out.println(caw);
		return caw.toString();
	}

 

瀏覽器詢問結果：

 

代碼詢問結果與上面一致：

 

二、通過指定url獲取，網頁部分想要的數據。

 

對於這個方法，要導入Jsoup包，這個可以自己在網上下載。

Document doc = null;
    try {
          doc = Jsoup.connect("http://www.wooyun.org//bugs//wooyun-2016-0225856").userAgent("Mozilla/5.0 (Windows NT 10.0; Trident/7.0; rv:11.0) like 				Gecko").timeout(30000).get();
    } catch (IOException e) {
         e.printStackTrace();
    }
    for(Iterator<Element> ir = doc.select("h3").iterator();ir.hasNext();){
        System.out.println(ir.next().text());
 }

 

對於那個select選擇器，根據條件來選擇，doc.select("h3").iterator()，對於Jsoup有以下規則：

jsoup 是一款基於Java 的HTML解析器，可直接解析某個URL地址或HTML文本內容。它提供了一套非常省力的API，可通過DOM，CSS以及類似於jQuery的操作方法來取出和操作數據。
jsoup的強大在於它對文檔元素的檢索，Select方法將返回一個Elements集合，並提供一組方法來抽取和處理結果，要掌握Jsoup首先要熟悉它的選擇器語法。
1、Selector選擇器基本語法

• tagname: 通過標簽查找元素，比如：a
• ns|tag: 通過標簽在命名空間查找元素，比如：可以用 fb|name 語法來查找 <fb:name> 元素
• #id: 通過ID查找元素，比如：#logo
• .class: 通過class名稱查找元素，比如：.masthead
• [attribute]: 利用屬性查找元素，比如：[href]
• [^attr]: 利用屬性名前綴來查找元素，比如：可以用[^data-] 來查找帶有HTML5 Dataset屬性的元素
• [attr=value]: 利用屬性值來查找元素，比如：[width=500]
• [attr^=value], [attr$=value], [attr*=value]: 利用匹配屬性值開頭、結尾或包含屬性值來查找元素，比如：[href*=/path/]
• [attr~=regex]: 利用屬性值匹配正則表達式來查找元素，比如： img[src~=(?i)\.(png|jpe?g)]
• *: 這個符號將匹配所有元素

2、Selector選擇器組合使用語法

• el#id: 元素+ID，比如： div#logo
• el.class: 元素+class，比如： div.masthead
• el[attr]: 元素+class，比如： a[href]
• 任意組合，比如：a[href].highlight
• ancestor child: 查找某個元素下子元素，比如：可以用.body p 查找在”body”元素下的所有 p元素
• parent > child: 查找某個父元素下的直接子元素，比如：可以用div.content > p 查找 p 元素，也可以用body > * 查找body標簽下所有直接子元素
• siblingA + siblingB: 查找在A元素之前第一個同級元素B，比如：div.head + div
• siblingA ~ siblingX: 查找A元素之前的同級X元素，比如：h1 ~ p
• el, el, el:多個選擇器組合，查找匹配任一選擇器的唯一元素，例如：div.masthead, div.logo

3、Selector偽選擇器語法

• :lt(n): 查找哪些元素的同級索引值（它的位置在DOM樹中是相對於它的父節點）小於n，比如：td:lt(3) 表示小於三列的元素
• :gt(n):查找哪些元素的同級索引值大於n，比如： div p:gt(2)表示哪些div中有包含2個以上的p元素
• :eq(n): 查找哪些元素的同級索引值與n相等，比如：form input:eq(1)表示包含一個input標簽的Form元素
• :has(seletor): 查找匹配選擇器包含元素的元素，比如：div:has(p)表示哪些div包含了p元素
• :not(selector): 查找與選擇器不匹配的元素，比如： div:not(.logo) 表示不包含 class="logo" 元素的所有 div 列表
• :contains(text): 查找包含給定文本的元素，搜索不區分大不寫，比如： p:contains(jsoup)
• :containsOwn(text): 查找直接包含給定文本的元素
• :matches(regex): 查找哪些元素的文本匹配指定的正則表達式，比如：div:matches((?i)login)
• :matchesOwn(regex): 查找自身包含文本匹配指定正則表達式的元素

注意：上述偽選擇器索引是從0開始的，也就是說第一個元素索引值為0，第二個元素index為1等。

 

瀏覽器訪問：

 

 

代碼訪問：

 

 

源代碼HttpUtils.java：

package com.ffcs.lsoc.bug.utils;
import java.io.BufferedInputStream;
import java.io.CharArrayWriter;
import java.io.InputStreamReader;
import java.io.Reader;
import java.net.HttpURLConnection;
import java.net.URL;
import java.net.URLEncoder;
import java.util.Iterator;
import java.util.Map;
import java.util.Map.Entry;

import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;

/**
 * 抓取網頁工具類
 * @author g-gaojp
 * @date 2016-7-10
 */
public class HttpUtils {

	/**
	 * 獲取網頁數據
	 * @param urlStr  訪問地址
	 * @param params  參數
	 * @param charset 字符編碼
	 * @return
	 * @throws Exception
	 */
	public static String httpGet(String urlStr, Map<String, String> params,String charset) throws Exception {
		StringBuilder sb = new StringBuilder();
		if (null != params && params.size() > 0) {
			sb.append("?");
			Entry<String, String> en;
			for (Iterator<Entry<String, String>> ir = params.entrySet().iterator(); ir.hasNext();) {
				en = ir.next();
				sb.append(en.getKey() + "=" + URLEncoder.encode(en.getValue(),"utf-8") + (ir.hasNext() ? "&" : ""));
			}
		}
		URL url = new URL(urlStr + sb);
		HttpURLConnection conn = (HttpURLConnection) url.openConnection();
		conn.setConnectTimeout(5000);
		conn.setReadTimeout(5000);
		conn.setRequestMethod("GET");
		if (conn.getResponseCode() != 200){
			throw new Exception("請求異常狀態值:" + conn.getResponseCode());
		}
		BufferedInputStream bis = new BufferedInputStream(conn.getInputStream());
		Reader reader = new InputStreamReader(bis,charset);
		char[] buffer = new char[2048];
		int len = 0;
		CharArrayWriter caw = new CharArrayWriter();
		while ((len = reader.read(buffer)) > -1)
			caw.write(buffer, 0, len);
		reader.close();
		bis.close();
		conn.disconnect();
		return caw.toString();
	}
	
	/**
	 * 獲取網頁數據
	 * @param urlStr  訪問地址
	 * @param params  參數
	 * @return
	 * @throws Exception
	 */
	public static String httpGet(String urlStr, Map<String, String> params) throws Exception {
		StringBuilder sb = new StringBuilder();
		if (null != params && params.size() > 0) {
			sb.append("?");
			Entry<String, String> en;
			for (Iterator<Entry<String, String>> ir = params.entrySet().iterator(); ir.hasNext();) {
				en = ir.next();
				sb.append(en.getKey() + "=" + URLEncoder.encode(en.getValue(),"utf-8") + (ir.hasNext() ? "&" : ""));
			}
		}
		URL url = new URL(urlStr + sb);
		HttpURLConnection conn = (HttpURLConnection) url.openConnection();
		conn.setConnectTimeout(5000);
		conn.setReadTimeout(5000);
		conn.setRequestMethod("GET");
		if (conn.getResponseCode() != 200)
			throw new Exception("請求異常狀態值:" + conn.getResponseCode());
		BufferedInputStream bis = new BufferedInputStream(conn.getInputStream());
		Reader reader = new InputStreamReader(bis,"gbk");
		char[] buffer = new char[2048];
		int len = 0;
		CharArrayWriter caw = new CharArrayWriter();
		while ((len = reader.read(buffer)) > -1)
			caw.write(buffer, 0, len);
		reader.close();
		bis.close();
		conn.disconnect();
		//System.out.println(caw);
		return caw.toString();
	}
	

	/**
	 * 從獲得的網頁的document中獲取指定條件的內容
	 * @param document
	 * @param condition 條件
	 * @return
	 */
	public static String catchInfomationFromDocument(Document document , String condition , int position){
		
		if(document != null){
			Iterator<Element> iterator = document.select(condition).iterator();
			if(iterator.hasNext()){
				String str = iterator.next().text();
				return str.substring(position).trim();
			}
		}
		return null;
	}
	
	/**
	 * 判斷從獲得的網頁的document中<br/>
	 * 獲取指定條件的內容是否存在
	 * @param document
	 * @param condition 條件
	 * @return
	 */
	public static boolean isExistInfomation(Document document , String condition){
		
		if(document != null){
			Iterator<Element> iterator = document.select(condition).iterator();
			if(iterator.hasNext()){
				return true;
			}
		}
		return false;
	}

}