益达教你如何抓取Ajax动态页面

何为Ajax动态网页，我想不用我多说了吧，如果你连Ajax是啥玩意儿都不知道，那你还是先去Google学习Ajax吧。为了形象起见，这里我以抓取这个网页为例进行讲解说明。网页链接如下：
http://www.sse.com.cn/assortment/stock/list/name/

很明显，我们要抓取的数据是

打开谷歌浏览器的开发者工具，我们会发现，他其实是采用Ajax方式动态加载的，且采用的jsonp跨域方式返回的，分析如图：

由此可以推断，分页部分信息是通过javaScript动态往DOM中插入的，如果你仅仅是通过类似HttpClient之类的工具来模拟Http请求来获取网页信息的话，你得到的网页内容将不是完整的，而HtmlUnit可以做到。

OK,回到主题，可能你还是第一次听说有个HtmlUnit这个玩意儿，有可能你是大咖早已听说，但我还是觉得还是官方的解释说明最权威，我就不瞎BB了，看图：

总之，一句话，HtmlUnit其实就是一个测试工具，方便测试人员进行功能测试，它能模拟诸如谷歌浏览器，火狐浏览器，IE浏览器等常见主流浏览器的行为。废话不多说，我直接上demo:

/**
 * 上海证券交易所数据抓取测试
 * @since 1.0
 * @author  [email protected]
 * @date    2015-8-27下午6:16:14
 *
 */
public class ShangHaiStockTest {
	public static void main(String[] args) throws Exception {
		downloadListPage();
	}
	
	public static void downloadListPage() throws Exception {
		WebClient webClient = new WebClient(BrowserVersion.FIREFOX_38);
	    webClient.getOptions().setCssEnabled(false);  
        webClient.getOptions().setJavaScriptEnabled(true);  
        webClient.getOptions().setActiveXNative(false);
        webClient.getOptions().setAppletEnabled(false);
        webClient.getOptions().setRedirectEnabled(false);
        webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);
        webClient.getOptions().setThrowExceptionOnScriptError(false);
        webClient.getOptions().setUseInsecureSSL(false);
        webClient.getOptions().setTimeout(10000000);
        webClient.setAjaxController(new NicelyResynchronizingAjaxController());
        
        int totalPage = 22;
        boolean first = true;
        HtmlPage page = null;
        do {
        	if(first) {
        		page = (HtmlPage)webClient.getPage("http://www.sse.com.cn/assortment/stock/list/name/");
                FileUtils.writeFile(page.asXml(), "C:/shh/list/" + totalPage + ".html", "UTF-8", false);
        		first = false;
        	} else {
        		HtmlAnchor anchor = null;
        		if(totalPage == 22 -1) {
        			anchor = (HtmlAnchor) page.getHtmlElementById("xsgf_next");
        		} else {
        			anchor = (HtmlAnchor) page.getHtmlElementById("dateList_container_next");
        		}
                page = (HtmlPage) anchor.click();
                FileUtils.writeFile(page.asXml(), "C:/shh/list/" + totalPage + ".html", "UTF-8", false);
        	}
        	
            totalPage--;
        } while(totalPage > 0);
	    
        //关闭模拟窗口  
        webClient.closeAllWindows();
	}
}

关键点：

1.webClient.getOptions().setJavaScriptEnabled(true);
启用JavaScript

2.webClient.setAjaxController(new NicelyResynchronizingAjaxController());

设置Ajax异步处理控制器即启用Ajax支持

3.webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);

webClient.getOptions().setThrowExceptionOnScriptError(false);

这两句很关键，前者表示当出现Http error时，程序不抛异常继续执行，后者表示当JavaScript执行出现异常时直接无视，否则Java代码会直接抛异常，程序中断。

demo代码里演示了，如何通过代码去模拟点击“下一页”超链接去分页获取每一页的网页内容，然后写入磁盘指定目录。程序很简单，希望能抛砖引玉，程序依赖的jar包如图：

就说这么多，如果有什么其他问题，请联系我，联系方式如下：
益达的GitHub地址：请猛戳我，用力，吃点劲儿！！！

益达教你如何抓取Ajax动态页面

猜你喜欢