用HtmlUnit和httpClient抓施华洛世奇网站图片和动画<一>

让我们先看看施华洛世奇网站界面http://www.swarovski-crystallized.com/吧，这个页面离我们需要抓去页面有4层菜单，也就是需要点击四次才到达我们的目标页面。这个页面有5个菜单，每个菜单需要深入4层菜单。我们简称为CatchMenu1;经测试，4个线程同时抓去需要5个多小时分析

用HtmlUnit和httpClient抓施华洛世奇网站图片和动画<一>
第二层菜单界面，注意这个页面下面还有分页一页一页的，我们简称为CatchMenu2

第三层菜单界面，我们简称为CatchMenu3，注意这个页面下面还有分页哦：

用HtmlUnit和httpClient抓施华洛世奇网站图片和动画<一>
终于到达我们的目标页面了：

用HtmlUnit和httpClient抓施华洛世奇网站图片和动画<一>

好了，需求就是这么简单，开工吧。

1.建立一个菜单模型类：

public class CatchMenuDO implements Serializable
{
private Long id;
private Long parentId;//该菜单的父菜单ID
private String name; //该菜单名称
private String name_url; //菜单对应的页面
    private Integer level; //第几层菜单,1表示第一层，2表示第二层，依次类推
    private Date gmCreate;
    private Date gmModify;
    private Boolean fetched=false; //是否已经抓去分析了
    private Boolean isLastChild=false; //是否是最小叶菜单，即最后一层的菜单
    private String parentName;//父菜单名称

...................................................................................////////////省略

.....................................................................................

}

2.建立连接数据库获取保存菜单以及产品信息DAO类：

public class SwaroSkiDAOImpl extends SqlMapClientDaoSupport implements SwaroSkiDAO
{
public int addProduct(Product product)
{
  getSqlMapClientTemplate().insert("SwaroSkiDAO.addProduct", product);
     return 1;
}
public Long addProductColor(ProductColor color)
{
  Long result= (Long) getSqlMapClientTemplate().insert("SwaroSkiDAO.addProductColor", color);
     return result;
}
public Long addProductImageSwf(ProductImageSwf imageswf)
{
  Long result= (Long) getSqlMapClientTemplate().insert("SwaroSkiDAO.addProductImageSwf", imageswf);
return result;
}

public Long addProductSize(ProductSize size)
{
  Long result= (Long) getSqlMapClientTemplate().insert("SwaroSkiDAO.addProductSize", size);
     return result;
}
public List<CatchMenuDO> getCatchMenuList(CatchMenuQueryModel menuModel)
{
  List<CatchMenuDO> list= (List<CatchMenuDO>)getSqlMapClientTemplate().queryForList("SwaroSkiDAO.getCatchMenu", menuModel);
  return list;
}

}

3.数据库SQL：

//这个sql的意思就是获取指定层，指定父类菜单下面所有子菜单
    SELECT ID, parent_ID, name, name_url,
    menu_level, gm_create,gm_modify,fetched,
    is_last_child,parent_name
    FROM page_catch_menu
    where 1=1
             <isNotNull property="level" prepend=" and ">
                             menu_level =#level#
             </isNotNull>
             <isNotNull property="parentIdList" prepend=" and ">
                parent_ID IN
                <iterate property="parentIdList" open="(" close=")" conjunction=",">
                     #parentIdList[]#
                </iterate>
</isNotNull>
</select>

5.终于开始正式开工了：

public class CatchManagerImpl implements ICatchManager

{

private SwaroSkiDAO swaroSkiDAO;//访问数据库的
private static final transient Log log = LogFactory .getLog(CatchManagerImpl.class);
private static ExecutorService pools = Executors.newFixedThreadPool(5);//线程池
private Semaphore sem=new Semaphore(5);//同步信号，多线程开工

public void catchPages()
{

//这个sql的意思就是获取指定层，指定父类菜单下面所有子菜单
  CatchMenuQueryModel menu = new CatchMenuQueryModel();
  menu.setFetched(false);
  List<Long> parentIdList=new ArrayList<Long>();
  parentIdList.add(1L);
  parentIdList.add(2L);
  menu.setLevel(2);
  List<CatchMenuDO> menus = swaroSkiDAO.getCatchMenuList(menu);

//使用htmlunit去抓去，模拟火狐浏览器并禁止js,activex组建运行，强啊，htmlunit还可以运行js和activex组建.不愧号称java 语言的浏览器啊
  WebClient webClient = new WebClient(BrowserVersion.FIREFOX_3);
  webClient.setJavaScriptEnabled(false);
  webClient.setActiveXNative(false);
List<String> secondPageUrls = new ArrayList<String>();
  List<String> thirdPageUrls = new ArrayList<String>();
  log.error("第一层抓取开始..........");

if (menus != null && menus.size() > 0)
  {
   for (CatchMenuDO mn : menus)
   {
    String url = "http://www.swarovski-crystallized.com/jewelry/us/";
    url = url + mn.getParentName() + mn.getName_url();
    HtmlPage mainPage = null;
    log.error("开始抓取第一层页面:"+url);
    try
    {
     mainPage = webClient.getPage(url);
    } catch (Exception e)
    {

用HtmlUnit和httpClient抓施华洛世奇网站图片和动画<一>

相关推荐