标签：
通常情况，通过网络爬虫挖取到的基本为网页静态内容，而动态ajax取数的内容是我个人暂时不知如何一次性把网站中的ajax获取
这里介绍的是某个网站中的某一个ajax多某个table刷新，期数据，并提供其他操作，如下载：
假设我们需挖取某一个网站：
例：某个网站中的那些pdf文件，并下载下来
首先：需要分析期网页组成结果；查看是通过什么方式读取处理的。这里结束ajax的方案（其它异同，ajax只是对数据进行一个一次数据的请求）
具体操作已案例介绍为主：
首先分析需要使用到的是ajax使用的请求url和请求中所需要的参数的含义，然后给定响应的参数
/** * 获取某个请求的内容 * @param url 请求的地址 * @param code 请求的编码，不传就代表UTF-8 * @return 请求响应的内容 * @throws IOException */ public static String fetch_url(String url, String code) throws IOException { BufferedReader bis = null; InputStream is = null; InputStreamReader inputStreamReader = null; try { URLConnection connection = new URL(url).openConnection(); connection.setConnectTimeout(20000); connection.setReadTimeout(20000); connection.setUseCaches(false); connection.setRequestProperty("User-Agent", "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11"); is = connection.getInputStream(); inputStreamReader = new InputStreamReader(is, code); bis = new BufferedReader(inputStreamReader); String line = null; StringBuffer result = new StringBuffer(); while ((line = bis.readLine()) != null) { result.append(line); } return result.toString(); } finally { if (inputStreamReader != null) { try { inputStreamReader.close(); } catch (IOException e) { e.printStackTrace(); } } if (bis != null) { try { bis.close(); } catch (IOException e) { e.printStackTrace(); } } if (is != null) { try { is.close(); } catch (IOException e) { e.printStackTrace(); } } } }
通过上面的url请求，观看响应的数据格式，这里响应的数据测试格式为json格式
/** * 数据转化成json格式 * @param s */ public static void getJSON(String s) { JSONObject object = JSONObject.fromObject(s); JSONArray array = JSONArray.fromObject(object.get("disclosureInfos")); //System.out.println(array); String filePath = object.getString("filePath");//解析数据中的某一个值 //System.out.println(array.size()); List<String> listFilePath = getJSONArray(array,filePath);//将数据解析成条数 /*System.out.println(listFilePath); System.out.println(listFilePath.size());*/ writer(listFilePath);//根据数据的内容开始挖取下载 }
很多个数据需要下载，一条一条的下载
public static void writer(List<String> listFilePath) { for (String string : listFilePath) { downloadFile(string); } }
解析json数据从格式数据
/** * 解析文件url * @param array * @return */ public static List<String> getJSONArray(JSONArray array,String filePath) { List<String> listFilePath = new ArrayList<String>(); for (Object object : array) { JSONObject ob = JSONObject.fromObject(object); filePath = filePath + ob.get("filePath").toString(); // System.out.println(filePath); listFilePath.add(filePath); } return listFilePath; }
文件下载处理
/* 下载 url 指向的网页 */ public static String downloadFile(String url) { String filePath = null; /* 1.生成 HttpClinet 对象并设置参数 */ HttpClient httpClient = new HttpClient(); // 设置 Http 连接超时 5s httpClient.getHttpConnectionManager().getParams().setConnectionTimeout(5000); /* 2.生成 GetMethod 对象并设置参数 */ GetMethod getMethod = new GetMethod(url); // 设置 get 请求超时 5s getMethod.getParams().setParameter(HttpMethodParams.SO_TIMEOUT, 5000); // 设置请求重试处理 getMethod.getParams().setParameter(HttpMethodParams.RETRY_HANDLER, new DefaultHttpMethodRetryHandler()); /* 3.执行 HTTP GET 请求 */ try { int statusCode = httpClient.executeMethod(getMethod); // 判断访问的状态码 if (statusCode != HttpStatus.SC_OK) { System.err.println("Method failed: " + getMethod.getStatusLine()); filePath = null; } /* 4.处理 HTTP 响应内容 */ byte[] responseBody = getMethod.getResponseBody();// 读取为字节数组 // 根据网页 url 生成保存时的文件名 filePath = "e:\\spider\\"; String fileName = getFileNameByUrl(url, getMethod.getResponseHeader("Content-Type").getValue()); saveToLocal(responseBody, filePath,fileName); } catch (HttpException e) { // 发生致命的异常，可能是协议不对或者返回的内容有问题 System.out.println("Please check your provided http address!"); e.printStackTrace(); } catch (IOException e) { // 发生网络异常 e.printStackTrace(); } finally { // 释放连接 getMethod.releaseConnection(); } return filePath; }
确认文件名称和文件格式
/** * 根据 url 和网页类型生成需要保存的网页的文件名 去除掉 url 中非文件名字符 */ public static String getFileNameByUrl(String url, String contentType) { // remove http:// url = url.substring(7); // text/html类型 if (contentType.indexOf("html") != -1) { url = url.replaceAll("[\\?/:*|<>\"]", "_") + ".html"; return url; } // 如application/pdf类型 else { return url.replaceAll("[\\?/:*|<>\"]", "_") + "." + contentType.substring(contentType.lastIndexOf("/") + 1); } }
保存文件地址写入
/** * 保存网页字节数组到本地文件 filePath 为要保存的文件的相对地址 */ private static void saveToLocal(byte[] data, String fileDir,String fileName) { try { File fileNew=new File(fileDir+"\\"+fileName);//new 一个文件 构造参数是字符串 File rootFile=fileNew.getParentFile();//得到父文件夹 if( !fileNew.exists()) { rootFile.mkdirs(); fileNew.createNewFile(); } DataOutputStream out = new DataOutputStream(new FileOutputStream(fileNew)); for (int i = 0; i < data.length; i++) out.write(data[i]); out.flush(); out.close(); } catch (IOException e) { e.printStackTrace(); } }
测试,这里写了个测试网址，网站地址和网址参数可能会改变，需适当调整
public static void main(String[] args) throws Exception{
String s = fetch_url("http://www.neeq.cc/controller/GetDisclosureannouncementPage?type=7&key=&startDate=2015-05-20&endDate=2015-05-21&queryParams=0&page=1&_=1432187131769", "utf-8");
//System.out.println(s);
getJSON(s);
}
完（欢迎转载）
标签：
原文地址：http://www.cnblogs.com/hwaggLee/p/4520048.html
