Java爬虫--页面跳转爬数据

刚来老板（导师）公司实习，接到任务是用java做一个爬虫，来搜索中关村中手机的参数，功能是输入一个关键字，然后可以输出相关手机的CPU型号，操作系统，蓝牙版本。比如：输入s6，就要输出s6手机的相关参数。
嗯，我还不怎么会Java语言，借这个机会可以好好学学，就是这样！下面开始学习吧…
首先需要搞清楚需求是什么，先把过程模拟一遍，就不上图了，自己脑补一下，首先在百度主页面中输入关键字s6，然后需要有页面跳转到搜索结果，然后找到结果相关手机的链接，再跳转到相关手机的页面，接着需要跳转到参数的页面，然后逐一提取相关数据。
网上找了很多教程，好像都没有页面跳转的学习方法。然后还要说的是大家最好有html相关的知识，不会的可以去w3c里面看看。我试过用RULConnection和Jsoup方法，好像都不适用，可能是对于这个网站不适用，中关村搜索出来的页面好像不能直接跳转，尝试多次失败后我最后找到了HTMLUnitDriver类库，这个类库很好用，网上也有相应的jar包，大家自行去下载，相关的学习也可以自己去深入学习。下面开始讲解编码。
首先，在网页上模拟输入关键字必须先找到输入框，打开审查元素（各浏览器名称不一样），找到输入框的位置。

输入框的id是kw,然后再找到百度一下按钮的id是su,那么我们就可以模拟在输入框中输入关键字，然后点击百度一下按钮进行搜索。代码如下：

        WebDriver driver = new HtmlUnitDriver(); 
        String url = "https://www.baidu.com/";
        driver.get(url);
        driver.findElement(By.id("kw")).sendKeys(keyword);
        driver.findElement(By.id("su")).click();

这里的keyword是自己输入的参数，代码中没写全，搜索后的页面应该是这样的：

接下来就应该进入那个中关村在线的链接里面，这里通过链接文字就可以找到这个链接再进入了，代码如下：

WebElement href =driver.findElement(By.partialLinkText("中关村在线"));
String href_s = href.getAttribute("href");
driver.get(href_s);

partialLinkText()函数是匹配部分链接文字，这里driver到达了中关村的页面了，图片如下：

然后需要点击到参数那个table，可以再审查元素，找到参数的链接地址，如图：

继续跳转到找到的这个链接页面，代码如下：

String href_can =driver.findElement(By.partialLinkText("参数")).getAttribute("href");
driver.get(href_can);

跳转到目的页面之后，就要开始提取目的的数据了。依然是要看网页源码的，图片如下：

可以看到参数数据都是放在这个id叫做newTb的div里面，所以我们需要找到这个div元素。然后要找具体的数据，以操作系统为例，先看一下操作系统的相关源码，图片如下：

源码中可以看到，参数每一行数据都是放在一个li里面的，可恶的是这个li没有id值也没有class值，这可能是网站做了反爬虫设计，然后下面的span都有id值，但是这个值怎么也获取不到，百度了一下说是这个id是动态的，不能获取到固定值，那要怎么办，我想了一个办法，就是先获取到这所有的li，然后再找每个li下面的span里面有没有操作系统相关的关键字可以匹配的，如果有，就把把这个li里面的所有文本输出出来，代码如下：

WebElement tb = driver.findElement(By.id("newTb"));
List<WebElement> list = tb.findElements(By.tagName("li"));
for(WebElement e : list) {
    if(e.getText() == "") {
    }else {
        List<WebElement> spans = e.findElements(By.tagName("span"));
        boolean tag = false;
    for(WebElement span : spans) {
        String str = span.getText();
        Pattern pattern = Pattern.compile("([Ii][Oo][Ss][ ][0-9]+)|([A][n][d][r][o][i][d][ ][0-9]+)|([C][P][U])|([W][L][A][N])");
        Matcher matcher = pattern.matcher(str);
        if(matcher.find()) {
            tag = true;break;
        }
    }
    if(tag) {
        for(WebElement span : spans) {
            System.out.println(span.getText());
        }
    }            
}

上面的代码中用到了简单的正则表达式，不懂得童鞋可以自己去学习一下，以后都很有用的。别忘了最后还需要停止driver。代码是：

driver.quit();

到这里爬参数的数据基本就做完了，代码核心部分都写全了，还有些没有写，比如输入什么的，还有异常处理也没有写，这个学习者自己去学习，然后可以看到我的代码基本都没有注释，其实是有的，我在这里面都删掉了，就是希望大家自己多查资料学习，我自己也只是个学习者，希望本篇文章能对各位有帮助。