java - 用Java从互联网上获取数据

Question

美好的一天，我是 Java 的新手，我正在尝试从互联网上获取一些数据。如果我想举个例子来搜索谷歌并存储结果数和搜索时间。我考虑过使用 jsoup DOM 功能，但我不知道如何获取该特定元素的值。

如果我使用谷歌浏览器检查元素，我感兴趣的是

<div id="resultStats">
About 6,480,000,000 results
<nobr>  (0.26 seconds)&nbsp;</nobr>
</div>    

这是我唯一可以开始工作的东西，但文档不包含该元素。

import org.jsoup.nodes.Document;


import java.io.IOException;

public class google_time {
    public static void main(String[] args) throws IOException {
        String url = "https://www.google.com/webhp?hl=en&tab=Tw&q=data#hl=en&newwindow=1&output=search&sclient=psy-ab&q=data&oq=data&gs_l=hp.12...0.0.0.1682.0.0.0.0.0.0.0.0..0.0.les%3B..0.0...1c.Q9UUbwkFy-I&pbx=1&bav=on.2,or.r_gc.r_pw.r_cp.r_qf.&fp=6a12f0870d3ff179&biw=1066&bih=483";

        Document doc = Jsoup.connect(url).get();
        System.out.println(doc);

    }
}

那么我怎样才能只得到那位 resultStatic 和里面的文本呢？

Answer 1

首先是问题:

看起来 url https://www.google.com/webhp 用于谷歌搜索页面的动态呈现。即使用 AJAX 获取搜索结果，然后使用 javascript 将其呈现到页面中。由于 jsoup 不是浏览器并且不运行 javascript，因此您将使用 jsoup 获得的 html 不会有任何搜索结果。

因此我们可以使用 https://www.google.com/search。这将呈现一个正常的 html 页面，其结果没有任何 AJAX 喧嚣。但是谷歌仍然阻止来自非浏览器来源的请求，因此您必须将 UserAgent header 添加到您的 Jsoup 请求中，如下所示:

Jsoup.connect(url)
    .userAgent("Mozilla/5.0 (Windows; U; WindowsNT 5.1;"+
        " en-US; rv1.8.1.6) Gecko/20070725 Firefox/2.0.0.6")
    .get();

你的最终代码看起来像这样:

import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;
import org.jsoup.nodes.Element;
import org.jsoup.Jsoup;
import java.util.Iterator;
import java.io.IOException;

public class GoogleScraper {
    public static void main(String[] args) throws IOException {
        String url = "https://www.google.com/search?"+
        "hl=en&tab=Tw&q=data#hl=en&newwindow=1&"+
        "output=search&sclient=psy-ab&q=data&oq=data"+
        "&gs_l=hp.12...0.0.0.1682.0.0.0.0.0.0.0.0..0.0.les"+
        "%3B..0.0...1c.Q9UUbwkFy-I&pbx=1&bav=on.2,"+
        "or.r_gc.r_pw.r_cp.r_qf.&fp=6a12f0870d3ff179&biw=1066&bih=483";

        try{

            Document doc = Jsoup.connect(url)
            .userAgent("Mozilla/5.0 (Windows; U; WindowsNT 5.1;"+
                " en-US; rv1.8.1.6) Gecko/20070725 Firefox/2.0.0.6")
            .get();

            //Prints the whole markup
            //System.out.println(doc.toString());

            Elements resultDivElems = doc.select("div#resultStats");
            Iterator<Element> itr = resultDivElems.iterator();

            //Prints only what you need, ie the result details
            while(itr.hasNext()){
                System.out.println(((Element)itr.next()).text());
            }
        }catch(Exception e){
            e.printStackTrace();
        }
    }
}