twitter使用Java从网页抓取数据?
我正在为我的一个班级创建一个twitter机器人,用来练习使用队列和构建我的简历
我想让机器人从纸上刮下推特手柄。然后向用户发送li时事通讯
下面是一个示例网页。 http://paper.li/profkane/1335985326
我的推理,最初是抓取网页的链接,然后获取页面源,浏览@twitterhandle,然后将它们添加到队列中,以便以后构建消息时使用
我查找了页面来源,但在网页上的任何地方都找不到twitter名称。在Java中仍然可以这样做吗
# 1 楼答案
您需要使用支持javascript的库。我使用了HtmlUnit,这是一个很好的复制浏览器行为的库
有关如何使用javascript访问页面的简单示例,请参见下面我修改的答案from this question
首先,查看他们的网页(http://htmlunit.sourceforge.net/)以启动并运行htmlunit。确保使用最新的快照(编写此快照时使用2.12版)
尝试以下设置以忽略几乎所有障碍:
然后,在获取页面时,确保在对页面执行任何操作之前等待后台Javascript,比如等待后台Javascript
我希望这个基本的例子能对你有所帮助
您可以使用HtmlUnit完成浏览器可以完成的几乎任何事情,但需要编程
# 2 楼答案
至于抓取,您可以抓取整个页面并查找twitter id(或句柄)。当我查看示例页面时,我找不到这样的句柄,但在Twitter图标中有指向用户帐户的链接。你可以用这个来拿把手。如果您正在寻找Java中的刮库,可以尝试一下JSOUP