益达教你如何抓取Ajax动态页面

 何为Ajax动态网页，我想不用我多说了吧，如果你连Ajax是啥玩意儿都不知道，那你还是先去Google学习Ajax吧。为了形象起见，这里我以抓取这个网页为例进行讲解说明。网页链接如下：
       http://www.sse.com.cn/assortment/stock/list/name/

       很明显，我们要抓取的数据是

 打开谷歌浏览器的开发者工具，我们会发现，他其实是采用Ajax方式动态加载的，且采用的jsonp跨域方式返回的，分析如图：

 

 

 由此可以推断，分页部分信息是通过JavaScript动态往DOM中插入的，如果你仅仅是通过类似HttpClient之类的工具来模拟Http请求来获取网页信息的话，你得到的网页内容将不是完整的，而HtmlUnit可以做到。

      OK,回到主题，可能你还是第一次听说有个HtmlUnit这个玩意儿，有可能你是大咖早已听说，但我还是觉得还是官方的解释说明最权威，我就不瞎BB了，看图：

      总之，一句话，HtmlUnit其实就是一个测试工具，方便测试人员进行功能测试，它能模拟诸如谷歌浏览器，火狐浏览器，IE浏览器等常见主流浏览器的行为。废话不多说，我直接上demo:

     

public class ShangHaiStockTest {       public static void main(String[] args) throws Exception {           downloadListPage();       }              public static void downloadListPage() throws Exception {           WebClient webClient = new WebClient(BrowserVersion.FIREFOX_38);           webClient.getOptions().setCssEnabled(false);             webClient.getOptions().setJavaScriptEnabled(true);             webClient.getOptions().setActiveXNative(false);           webClient.getOptions().setAppletEnabled(false);           webClient.getOptions().setRedirectEnabled(false);           webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);           webClient.getOptions().setThrowExceptionOnScriptError(false);           webClient.getOptions().setUseInsecureSSL(false);           webClient.getOptions().setTimeout(10000000);           webClient.setAjaxController(new NicelyResynchronizingAjaxController());                      int totalPage = 22;           boolean first = true;           HtmlPage page = null;           do {               if(first) {                   page = (HtmlPage)webClient.getPage("http://www.sse.com.cn/assortment/stock/list/name/");                   FileUtils.writeFile(page.asXml(), "C:/shh/list/" + totalPage + ".html", "UTF-8", false);                   first = false;               } else {                   HtmlAnchor anchor = null;                   if(totalPage == 22 -1) {                       anchor = (HtmlAnchor) page.getHtmlElementById("xsgf_next");                   } else {                       anchor = (HtmlAnchor) page.getHtmlElementById("dateList_container_next");                   }                   page = (HtmlPage) anchor.click();                   FileUtils.writeFile(page.asXml(), "C:/shh/list/" + totalPage + ".html", "UTF-8", false);               }                              totalPage--;           } while(totalPage   0);                      //关闭模拟窗口             webClient.closeAllWindows();       }  
     启用JavaScript

   2.webClient.setAjaxController(new NicelyResynchronizingAjaxController());

     设置Ajax异步处理控制器即启用Ajax支持

  3.webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);

     webClient.getOptions().setThrowExceptionOnScriptError(false);

     这两句很关键，前者表示当出现Http error时，程序不抛异常继续执行，后者表示当JavaScript执行出现异常时直接无视，否则Java代码会直接抛异常，程序中断。

    demo代码里演示了，如何通过代码去模拟点击“下一页”超链接去分页获取每一页的网页内容，然后写入磁盘指定目录。程序很简单，希望能抛砖引玉，程序依赖的jar包如图：

    就说这么多，如果有什么其他问题，请联系我，联系方式如下：
      益达的GitHub地址：请猛戳我，用力，吃点劲儿！！！

转载：http://iamyida.iteye.com/blog/2238622

分析 ajax 请求并抓取今日头条街拍美图 首先分析街拍图集的网页请求头部： 在 preview 选项卡我们可以找到 json 文件，分析 data 选项，找到我们要找到的图集地址 article_url: 选中其中一张图片，分析 json 请求，可以找到图片地址在 gallery 一栏： 找到图片地址，接下来我们就可以来写代码了：
C#抓取AJAX页面的内容 原文 C#抓取AJAX页面的内容 现在的网页有相当一部分是采用了AJAX技术,所谓的AJAX技术简单一点讲就是事件驱动吧(当然这种说法可能很不全面),在你提交了URL后,服务器发给你的并不是所有是页面内容,而有一大部分是JS脚本,即用