url - HtmlUnit 和片段标识

Question

我目前想知道如何处理片段身份，我想从中获取信息的链接包含片段身份。似乎 HtmlUnit 丢弃了我的 url 的“#/db4mj”，因此加载了原始 url。

有谁知道处理片段身份的方法？ (如果需要，我可以发布示例代码以进一步解释)

编辑

由于我没有得到很多观点(也没有答案)，我将增加悬赏。抱歉它只有 50 个，但我只有 79 个开始

编辑

这是请求的示例代码。

我们的 URL 将是:http://browse.deviantart.com/resources/applications/psbrushes/?order=9&offset=0

因此，如果您查看链接中的内容，您会看到多个包含 URL 的画笔。所以我的脚本抓取了 URL:http://browse.deviantart.com/resources/applications/psbrushes/?order=9&offset=0#/dbwam4

如您所见，有片段标识符 #/dbwam4 现在我尝试抓取此页面上的内容，但 HtmlUnit 仍认为它位于原始 URL 上。

这是我的脚本中的示例代码，它在片段标识符 URL 上失败，但原始 URL 没有问题。

client = new WebClient(BrowserVersion.FIREFOX_3)
client.javaScriptEnabled = false

page = client.getPage(url)       //url with fragment identifier

//this is on the url with the fragment identifier only, not the original url
img = page.getByXPath("*[@id="gmi-ResViewSizer_img"]")

我希望能够从带有片段标识符的 URL 中获取某些信息，但无论如何都无法访问它。

Answer 1

有好消息和 坏消息 .

首先，好消息是 HtmlUnit 似乎工作得很好。

如果您访问 the page with the fragment identier URL在关闭 JavaScript 的浏览器中(可能使用 Firefox's QuickJava plugin )，您将看不到您想要的“单刷 View ”。

因此，为了获取此页面，您需要使用 WebClient 并将 setJavaScriptEnabled 设置为 true。

现在坏消息是:

我一直无法在启用 JavaScript 的情况下使用 HtmlUnit 获取“单刷 View ”页面(我不知道为什么)。虽然，我已经能够获得完整的页面。

真正的问题是返回的 HTML 的状态如此糟糕，以至于我无法解析它(我尝试过 TagSoup 、 jsoup 、 Jaxen 等)。因此，我怀疑尝试使用 XPath 解析页面可能对您不起作用。

因此，我认为您需要使用正则表达式(这远非理想)，甚至使用 String.indexOf("gmi-ResViewSizer_img") 的某些变体。

我希望这有帮助。

编辑

我设法得到了一些偶尔有效的东西。恐怕我还没有转换为 Groovy，所以它将使用普通的旧 Java。

我没有看过 HtmlUnit 的源代码，但它几乎好像运行保存过程中的某些东西有助于使解析工作？如果没有保存，我似乎会得到 NullPointerExceptions。

import com.gargoylesoftware.htmlunit.BrowserVersion;
import com.gargoylesoftware.htmlunit.WebClient;
import com.gargoylesoftware.htmlunit.WebRequest;
import com.gargoylesoftware.htmlunit.WebResponse;
import com.gargoylesoftware.htmlunit.html.HtmlElement;
import com.gargoylesoftware.htmlunit.html.HtmlPage;
import com.gargoylesoftware.htmlunit.util.FalsifyingWebConnection;
import java.io.File;
import java.io.IOException;

public class TestProblem {

    public static void main(String[] args) throws IOException {
        WebClient client = new WebClient(BrowserVersion.FIREFOX_3_6);
        client.setJavaScriptEnabled(true);
        client.setCssEnabled(false);
        String url = "http://browse.deviantart.com/resources/applications/psbrushes/?order=9&offset=0#/dbwam4";
        client.setThrowExceptionOnScriptError(false);
        client.setThrowExceptionOnFailingStatusCode(false);
        client.setWebConnection(new FalsifyingWebConnection(client) {

            @Override
            public WebResponse getResponse(final WebRequest request) throws IOException {
                if ("www.google-analytics.com".equals(request.getUrl().getHost())) {
                    return createWebResponse(request, "", "application/javascript"); // -> empty script
                }
                if ("d.unanimis.co.uk".equals(request.getUrl().getHost())) {
                    return createWebResponse(request, "", "application/javascript"); // -> empty script
                }
                if ("edge.quantserve.com".equals(request.getUrl().getHost())) {
                    return createWebResponse(request, "", "application/javascript"); // -> empty script
                }
                if ("b.scorecardresearch.com".equals(request.getUrl().getHost())) {
                    return createWebResponse(request, "", "application/javascript"); // -> empty script
                }
                //
                if (request.getUrl().toString().startsWith("http://st.deviantart.net/css/v6core_jc.js")) {
                    WebResponse wr = super.getResponse(request);
                    return createWebResponse(request, wr.getContentAsString(), "application/javascript");
                }
                if (request.getUrl().toString().startsWith("http://st.deviantart.net/css/v6loggedin_jc.js")) {
                    WebResponse wr = super.getResponse(request);
                    return createWebResponse(request, wr.getContentAsString(), "application/javascript");
                }
                return super.getResponse(request);
            }
        });

        HtmlPage page = client.getPage(url);       //url with fragment identifier



        File saveFile = new File("saved.html");
        if(saveFile.exists()){
            saveFile.delete();
            saveFile = new File("saved.html");
        }
        page.save(saveFile);


        HtmlElement img = page.getElementById("gmi-ResViewSizer_img");
        System.out.println(img.toString());

    }
}