java采集网页数据方法【多线程数据采集之一】

第一步抓取数据。

java采集网页数据。获取html文本节点

有几种办法。

第一种： 采用HttpURLConnection

1. package com.yjf.util;   
2.    
3. import java.io.BufferedReader;   
4. import java.io.IOException;   
5. import java.io.InputStream;   
6. import java.io.InputStreamReader;   
7. import java.net.HttpURLConnection;   
8. import java.net.URL;   
9.    
10. public class HttpWebUtil {   
11.        
12.     /**  
13.      *网页抓取方法  
14.      * @param urlString      要抓取的url地址  
15.      * @param charset        网页编码方式  
16.      * @param timeout        超时时间  
17.      * @return               抓取的网页内容  
18.      * @throws IOException   抓取异常  
19.      */   
20.     public static String GetWebContent(String urlString, final String charset, int timeout) throws IOException {   
21.         if (urlString == null || urlString.length() == 0) {   
22.             return "";   
23.         }   
24.         urlString = (urlString.startsWith("http://") || urlString.startsWith("https://")) ? urlString : ("http://" + urlString).intern();   
25.         URL url = new URL(urlString);   
26.         HttpURLConnection conn = (HttpURLConnection) url.openConnection();   
27.         conn.setDoOutput(true);      
28.         conn.setRequestProperty("Pragma", "no-cache");      
29.         conn.setRequestProperty("Cache-Control", "no-cache");      
30.            
31.         int temp = Integer.parseInt(Math.round(Math.random()*(UserAgent.length-1))+"");   
32.         conn.setRequestProperty(   
33.                 "User-Agent",   
34.                     UserAgent[temp]);  // 模拟手机系统   
35.         conn.setRequestProperty("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8");//只接受text/html类型，当然也可以接受图片,pdf,*/*任意，就是tomcat/conf/web里面定义那些   
36.         conn.setConnectTimeout(timeout);   
37.         try {   
38.             if (conn.getResponseCode() != HttpURLConnection.HTTP_OK) {   
39.                 return "";   
40.             }   
41.         } catch (Exception e) {   
42.             try {   
43.                 System.out.println(e.getMessage());   
44.             } catch (Exception e2) {   
45.                 e2.printStackTrace();   
46.             }   
47.             return "";   
48.         }   
49.         InputStream input = conn.getInputStream();   
50.         BufferedReader reader = new BufferedReader(new InputStreamReader(input,   
51.                 charset));   
52.         String line = null;   
53.         StringBuffer sb = new StringBuffer("");   
54.         while ((line = reader.readLine()) != null) {   
55.             sb.append(line).append("\r\n");   
56.         }   
57.         if (reader != null) {   
58.             reader.close();   
59.         }   
60.         if (conn != null) {   
61.             conn.disconnect();   
62.         }   
63.         return sb.toString();   
64.     }   
65.        
66.     public static String[] UserAgent = {   
67.         "Mozilla/5.0 (Linux; U; Android 2.2; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.2",   
68.         "Mozilla/5.0 (iPad; U; CPU OS 3_2_2 like Mac OS X; en-us) AppleWebKit/531.21.10 (KHTML, like Gecko) Version/4.0.4 Mobile/7B500 Safari/531.21.11",   
69.         "Mozilla/5.0 (SymbianOS/9.4; Series60/5.0 NokiaN97-1/20.0.019; Profile/MIDP-2.1 Configuration/CLDC-1.1) AppleWebKit/525 (KHTML, like Gecko) BrowserNG/7.1.18121",   
70.         "Nokia5700AP23.01/SymbianOS/9.1 Series60/3.0",   
71.         "UCWEB7.0.2.37/28/998",   
72.         "NOKIA5700/UCWEB7.0.2.37/28/977",   
73.         "Openwave/UCWEB7.0.2.37/28/978",   
74.         "Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/989"   
75.     };   
76.        
77. }   

第二种：采用jar插件Jsoup.jar 

org.jsoup.Jsoup

1. //站点入口列表   
2.     public static List<String> getSiteUrlList1(List<String> list,String listurl){   
3.         if(list==null || list.size()<=0){   
4.             list = new ArrayList<String>();   
5.         }   
6.         try {   
7.             Document docdata = Jsoup.connect(listurl).timeout(10000).get();   
8.             String hb = ".m_book li a";   
9.             String page = ".page_list .page_up";   
10.             Elements ele = docdata.select(hb);   
11.             for (Element el : ele) {   
12.                 list.add(el.attr("href"));   
13.             }   
14.             if(docdata.select(page)!=null && docdata.select(page).first()!=null){   
15.                 String url = "http://www.xxxxx.com/site_map/"+docdata.select(page).first().attr("href");   
16.                 getSiteUrlList1(list, url);   
17.             }   
18.         } catch (Exception e) {   
19.             e.printStackTrace();   
20.         }   
21.         return list;   
22.     }   

第三种：http模拟器

可以请求表单数据和 重定向

http://blog.csdn.net/yjflinchong/article/details/8004706 

以上先描述第一步抓取数据。后期加入多线程网络数据采集完整介绍。

      本文转自yjflinchong 51CTO博客，原文链接：http://blog.51cto.com/yjflinchong/1165163，如需转载请自行联系原作者