使用Jsoup+HtmlUnit抓取动态网页数据

最后更新日期为2018.1.3

只为自己留个记录

待添加功能:

1.获取历史全部消息
2.爬取大于10条数据
3.自定义抓取公众号信息

这里以搜狗微信公众号搜索微信公众号为例!
搜狗微信公众号作为解析入口:http://weixin.sogou.com/weixin?type=1&s_from=input&query=[这里填公众号名称]&ie=utf8&sug=n&sug_type=
DEMO中的完整URL为:http://weixin.sogou.com/weixin?type=1&s_from=input&query=DOTA%E6%AF%8F%E6%97%A5%E8%8A%82%E5%A5%8F&ie=utf8&sug=n&sug_type=

package cc.buckler.test;

import com.gargoylesoftware.htmlunit.BrowserVersion;
import com.gargoylesoftware.htmlunit.WebClient;
import com.gargoylesoftware.htmlunit.html.HtmlPage;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.junit.Test;

import java.io.IOException;

public class TestData {
    private String ENTRY_URL = "http://weixin.sogou.com/weixin?type=1&query=%s&ie=utf8&_sug_=n&_sug_type_=";//入口地址
    private String QUERY_WORD = "DOTA每日节奏";//查询参数
    private String BASE_URL = "";//从入口进入公众号后的公众号地址
    private String WE_CHAT_URL = "http://mp.weixin.qq.com";//微信公众号官方入口
    private int NEW_MSG_ID = 0;//最新msgId
    private int MSG_NUM = 20;//需要获取的数量

    @Test
    public void getData() {
        String url = String.format(ENTRY_URL, QUERY_WORD);
        //System.out.println(url);

        WebClient webClient = new WebClient(BrowserVersion.CHROME);
        webClient.getOptions().setCssEnabled(false);
        webClient.getOptions().setJavaScriptEnabled(true);
        webClient.getOptions().setRedirectEnabled(true);
        webClient.getOptions().setThrowExceptionOnScriptError(false);
        webClient.getOptions().setTimeout(50000);
        Document doc = null;
        try {
            //首先用jsoup获取搜狗入口公众号连接
            doc = Jsoup.connect(url).get();
            //System.out.println("doc:" + doc);
            BASE_URL = doc.select("p a").attr("href");
            //System.out.println(BASE_URL);

            //使用htmlunit加载公众号文章列表
            HtmlPage htmlPage = webClient.getPage(BASE_URL);
            webClient.waitForBackgroundJavaScript(10000);
            doc = Jsoup.parse(htmlPage.asXml());
            //System.out.println("doc:" + doc);
            //获取最新文章msgid,之后的循环用msgid-1
            String lastMsgId = doc.select(".weui_media_box").attr("msgid");
            NEW_MSG_ID = Integer.parseInt(lastMsgId);
            //System.out.println(NEW_MSG_ID);

            for (int i = NEW_MSG_ID; i >= NEW_MSG_ID - MSG_NUM; i--) {
                String articalPrev = "#WXAPPMSG";
                String articalId = articalPrev + i;
                String h4 = articalId + " h4";
                String weui_media_desc = articalId + " .weui_media_desc";
                String weui_media_extra_info = articalId + " .weui_media_extra_info";

                System.out.println(articalId);
                String title = doc.select(h4).text();
                System.out.println(title);
                String detailUrl = doc.select(h4).attr("hrefs");//2018.1.3 ok
                System.out.println(WE_CHAT_URL + detailUrl);
                String note = doc.select(weui_media_desc).text();//2018.1.3 ok
                if (note.compareToIgnoreCase("") == 0) {
                    continue;
                }
                System.out.println(note);
                String releaseDate = doc.select(weui_media_extra_info).text().toString();//2018.1.3 ok
                if (releaseDate.compareToIgnoreCase("") == 0) {
                    continue;
                }
                System.out.println(releaseDate);
            }
            webClient.close();
        } catch (IOException e) {
            e.printStackTrace();
            webClient.close();
        }
    }
}
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 222,000评论 6 515
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 94,745评论 3 399
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 168,561评论 0 360
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 59,782评论 1 298
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 68,798评论 6 397
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 52,394评论 1 310
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,952评论 3 421
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,852评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 46,409评论 1 318
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 38,483评论 3 341
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,615评论 1 352
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 36,303评论 5 350
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,979评论 3 334
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,470评论 0 24
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,571评论 1 272
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 49,041评论 3 377
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,630评论 2 359

推荐阅读更多精彩内容

  • alfred可以快速进行websearch,以下是一些搜索地址 小众软件 http://s.appinn.com/...
    鸭梨山大哎阅读 2,238评论 0 2
  • 很多的微信公众号都提供了质量比较高的文章阅读,对于自己喜欢的微信公众号,所以想做个微信公众号爬虫,爬取相关公众号的...
    Evtion阅读 12,036评论 8 23
  • ​ 当我们谈设计时,我们在谈论什么 ——读《设计中的设计》 作者:钱叶茂 01 — 导言 原研哉:无印良品艺术总监...
    叶茂在线阅读 734评论 0 5
  • 总数更新时间2016.10.23*# ###http://wx.qlogo.cn/mmhead/Q3auHgzwz...
    上善A阅读 847评论 0 1
  • http://weixin.sogou.com/weixin?type=2&query=ASO%E5%AE%9E%...
    田边女斯基阅读 214评论 0 0