htmlunit抓取动态网页(这是一个的最新版本是什么？一个 )

　　htmlunit抓取动态网页(这是一个的最新版本是什么？一个

)

　　最近在写爬虫的时候，在使用httpclient爬取一些网页的时候出现了一些问题，就是爬取的内容收录了大量的加密文本（通过javascript脚本），无法获取到真正的内容（即即，网页是用浏览器打开的）呈现的内容）。所以一般需要配合js引擎来解决这个问题。经过搜索，我发现htmlunit工具可以提供帮助。在了解和使用的过程中，我发现这是一个非常棒的开源工具。虽然名气不如httpclient，但实力不容小觑。少说八卦。目前最新的htmlunit版本是2.15，可以从这里下载：

　　String url="http://xxxx.xx/";//想采集的网址

String refer="http://xxx.xx/";

URL link=new URL(url);

WebClient wc=new WebClient();

WebRequest request=new WebRequest(link);

request.setCharset("UTF-8");

request.setProxyHost("x.120.120.x");

request.setProxyPort(8080);

request.setAdditionalHeader("Referer", refer);//设置请求报文头里的refer字段

////设置请求报文头里的User-Agent字段

request.setAdditionalHeader("User-Agent", "Mozilla/5.0 (Windows NT 5.1; rv:6.0.2) Gecko/20100101 Firefox/6.0.2");

//wc.addRequestHeader("User-Agent", "Mozilla/5.0 (Windows NT 5.1; rv:6.0.2) Gecko/20100101 Firefox/6.0.2");

//wc.addRequestHeader和request.setAdditionalHeader功能应该是一样的。选择一个即可。

//其他报文头字段可以根据需要添加

wc.getCookieManager().setCookiesEnabled(true);//开启cookie管理

wc.getOptions().setJavaScriptEnabled(true);//开启js解析。对于变态网页，这个是必须的

wc.getOptions().setCssEnabled(true);//开启css解析。对于变态网页，这个是必须的。

wc.getOptions().setThrowExceptionOnFailingStatusCode(false);

wc.getOptions().setThrowExceptionOnScriptError(false);

wc.getOptions().setTimeout(10000);

//设置cookie。如果你有cookie，可以在这里设置

Set cookies=null;

Iterator i = cookies.iterator();

while (i.hasNext())

{

wc.getCookieManager().addCookie(i.next());

}

//准备工作已经做好了

HtmlPage page=null;

page = wc.getPage(request);

if(page==null)

{

System.out.println("采集 "+url+" 失败!!!");

return ;

}

String content=page.asText();//网页内容保存在content里

if(content==null)

{

System.out.println("采集 "+url+" 失败!!!");

return ;

}

//搞定了

CookieManager CM = wc.getCookieManager(); //WC = Your WebClient's name

Set cookies_ret = CM.getCookies();//返回的Cookie在这里，下次请求的时候可能可以用上啦。