网页数据抓取怎么写(代码也可以从我的开源项目HtmlExtractor中获取。。 )

　　网页数据抓取怎么写(代码也可以从我的开源项目HtmlExtractor中获取。。

)

　　代码也可以从我的开源项目HtmlExtractor获取。

　　我们在抓取数据的时候，如果目标网站是在Js中动态生成数据，通过滚动来分页，那我们怎么抓取呢？

　　类似于今日头条网站：

　　我们可以使用 Selenium 来做到这一点。尽管 Selenium 是为 Web 应用程序的自动化测试而设计的，但它非常适合用于数据捕获。可以轻松绕过网站的反爬虫限制，因为Selenium直接运行在浏览器中，就像真实用户在操作一样。

　　使用Selenium，我们不仅可以抓取Js动态生成的网页，还可以抓取滚动页面分页的网页。

　　首先我们使用maven来引入Selenium依赖：

　　< dependency >

< groupId >org.seleniumhq.selenium

< artifactId >selenium-java

< version >2.47.1

　　接下来就可以编写代码进行捕获了：

<p>import org.openqa.selenium.By;

import org.openqa.selenium.WebDriver;

import org.openqa.selenium.WebElement;

import org.openqa.selenium.firefox.FirefoxDriver;

import java.util.List;

import java.util.Random;

/**

* 如何抓取Js动态生成数据且以滚动页面方式分页的网页

* 以抓取今日头条为例说明：http://toutiao.com/

* Created by ysc on 10/13/15.

*/

public class Toutiao {

public static void main(String[] args) throws Exception{

//等待数据加载的时间

//为了防止服务器封锁，这里的时间要模拟人的行为，随机且不能太短

long waitLoadBaseTime = 3000 ;

int waitLoadRandomTime = 3000 ;

Random random = new Random(System.currentTimeMillis());

//火狐浏览器

WebDriver driver = new FirefoxDriver();

//要抓取的网页

driver.get( "http://toutiao.com/" );

//等待页面动态加载完毕

Thread.sleep(waitLoadBaseTime+random.nextInt(waitLoadRandomTime));

//要加载多少页数据

int pages= 5 ;

for ( int i= 0 ; i