Jsoup 獲取部分頁面

Question

我正在嘗試抓取投標網站的內容，但無法獲取該網站的完整頁面。 我在 xulrunner 上使用 crowbar 首先獲取頁面（因為 ajax 以惰性方式加載某些元素）然后從文件中抓取。 但是在 bidrivals 網站的主頁上，即使本地文件格式正確，這也會失敗。 jSoup 似乎只是在 html 代碼的中間以“...”字符結尾。 如果有人以前遇到過這種情況，請幫忙。 [此鏈接] 調用了以下代碼。

File f = new File(projectLocation+logFile+"bidrivalsHome");
    try {
        f.createNewFile();
        log.warn("Trying to fetch mainpage through a console.");
        WinRedirect.redirect(projectLocation+"Curl.exe -s --data \"url="+website+"&delay="+timeDelay+"\" http://127.0.0.1:10000", projectLocation, logFile+"bidrivalsHome");
    } catch (Exception e) {
        e.printStackTrace();
        log.warn("Error in fetching the nameList", e);
    }
    Document doc = new Document("");
    try {
        doc = Jsoup.parse(f, "UTF-8", website);
    } catch (IOException e1) {
        System.out.println("Error while parsing the document.");
        e1.printStackTrace();
        log.warn("Error in parsing homepage", e1);
    }

Answer 1

嘗試使用HtmlUnit渲染頁面（包括 JavaScript 和 CSS dom 操作），然后將渲染后的 HTML 傳遞給 jsoup。

// load page using HTML Unit and fire scripts
WebClient webClient = new WebClient();
HtmlPage myPage = webClient.getPage(myURL);

// convert page to generated HTML and convert to document
Document doc = Jsoup.parse(myPage.asXml(), baseURI);

// clean up resources        
webClient.close();

page.html - 源代碼

<html>
<head>
    <script src="loadData.js"></script>
</head>
<body onLoad="loadData()">
    <div class="container">
        <table id="data" border="1">
            <tr>
                <th>col1</th>
                <th>col2</th>
            </tr>
        </table>
    </div>
</body>
</html>

加載數據.js

    // append rows and cols to table.data in page.html
    function loadData() {
        data = document.getElementById("data");
        for (var row = 0; row < 2; row++) {
            var tr = document.createElement("tr");
            for (var col = 0; col < 2; col++) {
                td = document.createElement("td");
                td.appendChild(document.createTextNode(row + "." + col));
                tr.appendChild(td);
            }
            data.appendChild(tr);
        }
    }

page.html 加載到瀏覽器時

| Col1   | Col2   |
| ------ | ------ |
| 0.0    | 0.1    |
| 1.0    | 1.1    |

使用jsoup解析page.html獲取col數據

    // load source from file
    Document doc = Jsoup.parse(new File("page.html"), "UTF-8");

    // iterate over row and col
    for (Element row : doc.select("table#data > tbody > tr"))

        for (Element col : row.select("td"))

            // print results
            System.out.println(col.ownText());

Output

（空的）

發生了什么？

Jsoup 解析從服務器傳送的源代碼（或在本例中從文件加載）。 它不會調用客戶端操作，例如 JavaScript 或 CSS DOM 操作。 在此示例中，行和列永遠不會附加到 data.table。

如何解析我在瀏覽器中呈現的頁面？

    // load page using HTML Unit and fire scripts
    WebClient webClient = new WebClient();
    HtmlPage myPage = webClient.getPage(new File("page.html").toURI().toURL());

    // convert page to generated HTML and convert to document
    doc = Jsoup.parse(myPage.asXml());

    // iterate row and col
    for (Element row : doc.select("table#data > tbody > tr"))

        for (Element col : row.select("td"))

            // print results
            System.out.println(col.ownText());

    // clean up resources        
    webClient.close();

Output

0.0
0.1
1.0
1.1

Jsoup 獲取部分頁面

問題描述

1 個解決方案

解決方案1
2 2016-08-03 03:50:02

Jsoup 獲取部分頁面

問題描述

1 個解決方案

解決方案1 2 2016-08-03 03:50:02

解決方案1
2 2016-08-03 03:50:02