htmlunit爬取数据

      HtmlUnit是一个“java程序的浏览器”。它为html文档建模，提供了一个API，允许您调用页面、填写表单、点击链接等，就像你在“正常”浏览器里做的一样。他有相当好的JavaScirpt支持（不断改进），甚至可以使用相当复杂的AJAX库，模拟Chrome、Firefox或Internet Explorer,这取决于所使用的配置。他通常用于测试的目的或从web站点检索信息。

      下面贴出我在阳光高考中抓取专业的例子，这个例子最主要的特点是模仿浏览器的点击时间，动态的获取数据，其中包括ajax请求的数据：

public static void main(String[] args) throws IOException {
/*  String url="http://gaokao.chsi.com.cn/zyk/zybk/";
Document doc = Jsoup.connect(url).get();
System.out.println(doc);*/
WebClient webClient = new WebClient();
// 部分js无法加载，导致控制台报错，下面几行代码都是为了让控制台不报错，但是不能从根本上解决问题哟！
LogFactory.getFactory().setAttribute("org.apache.commons.logging.Log",    "org.apache.commons.logging.impl.NoOpLog");
java.util.logging.Logger.getLogger("com.gargoylesoftware.htmlunit").setLevel(Level.OFF);
java.util.logging.Logger.getLogger("org.apache.commons.httpclient").setLevel(Level.OFF);
webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);
webClient.getOptions().setThrowExceptionOnScriptError(false);
//开启javascript
webClient.getOptions().setJavaScriptEnabled(true);
//htmlunit对css不是很友好呢！
webClient.getOptions().setCssEnabled(false);
//使重定向可用
webClient.getOptions().setRedirectEnabled(true);
//设置超时时间
webClient.getOptions().setTimeout(50000);
//获取网页
HtmlPage htmlpage = webClient.getPage("http://gaokao.chsi.com.cn/zyk/zybk/");
//加载javascript，有时候数据会加载不到，这个时候就需要加一个延迟时间。
webClient.waitForBackgroundJavaScript(20000);
//得到本科数据本科数据
HtmlElement bk = htmlpage.getHtmlElementById("1050");
//通过xpath解析网页内容，关于xpath获取节点，可以在W3School教程中看到（解析很方便而且很简单哦）
List<HtmlListItem> byXPath = (List<HtmlListItem>) htmlpage.getByXPath("//ul[@id='mlUl']/li");
ArrayList<HashMap<String, ArrayList<String>>> hashMaps = new ArrayList<>();
for (HtmlListItem htmlListItem : byXPath) {
HashMap<String, ArrayList<String>> hashMap = new HashMap<>();
//得到节点文本
String textContent = htmlListItem.getTextContent();
System.out.println(textContent);
//执行click()事件，这是使用htmlunit最便捷的地方了，可以模仿浏览器的行为
HtmlPage middle = (HtmlPage)htmlListItem.click();
webClient.waitForBackgroundJavaScript(20000);
List<HtmlListItem> byXPath1 = (List<HtmlListItem>) middle.getByXPath("//ul[@id='xkUl']/li");
for (HtmlListItem listItem : byXPath1) {
String textContent1 = listItem.getTextContent();
//  System.out.println(textContent1);
HtmlPage professionPage = (HtmlPage)listItem.click();
webClient.waitForBackgroundJavaScript(20000);
// System.out.println(professionPage.asXml());
//通过xpath解析获取自己想要的数据
List<HtmlAnchor> professionList = (List<HtmlAnchor>) professionPage.getByXPath("//div[@id='listResult']/table/tbody/tr/td[1]/a[@target='_blank']");
for (HtmlAnchor item : professionList) {
String profession= item.getTextContent();
}
}
}
}

怎么样，是不是很简单？上面的例子只是模仿了点击事件，然而htmlunit还有更加高级的功能，从原理上来说，他是直接访问网站的服务器，发的请求，所以没有被封号的危险，简单又容易上手。下面给出一个模仿表单提交事件的例子：

public static void test() throws IOException {
WebClient webclient = new WebClient();
HtmlPage htmlpage = webclient
.getPage("http://news.baidu.com/advanced_news.html");

// 根据名字得到一个表单，查看上面这个网页的源代码可以发现表单的名字叫“f”
final HtmlForm form = htmlpage.getFormByName("f");
System.out.println(form);
// 同样道理，获取”百度一下“这个按钮
final HtmlSubmitInput button = form.getInputByValue("百度一下");
System.out.println(button);
// 得到搜索框
final HtmlTextInput textField = form.getInputByName("q1");

System.out.println(textField);

// 最近周星驰比较火呀，我这里设置一下在搜索框内填入”java“
textField.setValueAttribute("java");
// 输入好了，我们点一下这个按钮
final HtmlPage nextPage = button.click();

String result = nextPage.asXml();

System.out.println(result);
}
}