通过java抓取任何指定网页的数据

假设你需要获取51job人才网上java人才的需求数量，首先你需要分析51job网站的搜索这一块是怎么运作的，通过解析网页的源代码，我们发现了以下一些信息：
1. 搜索时页面请求的URL是 http://search.51job.com/jobsearch/search_result.php
2. 请求所用的方法为：POST
3. 返回的页面的编码格式为：GBK
4. 假设我们想获取搜索java人才时结果页面中显示的需求数量，我们发现数量位于返回的HTML数据中这样的一段代码之中：<td>1-30 / 14794</td>，于是我们可以得到这样的一个模式：".+1-\d+ / (\d+).+"，第一个分组的内容就是我们需要的最终数据，有关java中的模式，请参考java文档中Pattern类的介绍
5. 另外做为POST请求，页面向服务器发送的数据如下(这个很容易能过prototype这样的js框架抓取到，参考我的其它博客介绍)：lang=c& amp; amp;stype=1&postchannel=0000&fromType=1&line=&keywordtype=2&keyword=java&btnJobarea=%E9%80%89%E6%8B%A9%E5%9C%B0%E5%8C%BA&jobarea=0000&image=&btnFuntype=%E9%80%89%E6%8B%A9%2F%E4%BF%AE%E6%94%B9&funtype=0000&btnIndustrytype=%E9%80%89%E6%8B%A9%2F%E4%BF%AE%E6%94%B9&industrytype=00
对于第5条中的数据哪些是服务器真正需要的我们不管，全部发送过去就是了。有了这些准备，我们就可以真正开始通过java发送请求，并获得最终数据了。

我们定义Resource类，这个类封装所有的与请求有关的信息，Resource包括以下属性：

/** */ /**
  * 需要获取资源的目标地址，不包含查询串
  */
  private  String target;
   /** */ /**
  * get请求时的查询串，或post请求的请求数据
  */
  private  String queryData  =   "" ;
 
  /** */ /**
  * 请求方式，get / post
  */
  private  String method  =   " GET " ;
 
  /** */ /**
  * 返回的数据的编码类型
  */
  private  String charset  =   " GBK " ;
 
  /** */ /**
  * 抓取数据的模式，将根据模式的分组来返回数据列表
  */
  private  String pattern;

创建Resource的一个对象，封装请求数据：

Resource res  =   new  Resource();
res.set // 在这里设置与请求有关的信息

以下为抓取内容的代码：

// 假设以下代码中res对象封装了所有的请求信息。
// URL指向目的地。 
// res.getTarget返回目标地址，且当为get请求时，这个地址包含了查询串的信息 
URL url  =   new  URL(res.getTarget()); 
HttpURLConnection con  =  (HttpURLConnection) url.openConnection();  // 建立到目的地的联接
con.setRequestMethod(res.getMethod());  // 设置请求的方法
// 设置HTTP请求头信息
con.setRequestProperty( " accept " ,  " */* " );  
con.setRequestProperty( " connection " ,  " Keep-Alive " );
con.setRequestProperty( " user-agent " ,
         " Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1) " );
con.setDoInput( true );
if  (res.getMethod().equals( " POST " ))  { //如果为Post请求则发送请求数据
  con.setDoOutput(true);
  con.getOutputStream().write(res.getQueryData().getBytes());
  con.getOutputStream().flush();
}     
// 通过BufferedReader一行行的读取数据，如果你需要的是全部返回结果，可以修改一下这里
BufferedReader br  =   new  BufferedReader( new  InputStreamReader(
con.getInputStream(), res.getCharset()));
Pattern pattern  =  Pattern.compile(res.getPattern()); 
String s  =   null ;
while  ((s  =  br.readLine())  !=   null )  {
   System.out.println(s);
   Matcher m = pattern.matcher(s); //检测当前行是否与要求结果的模式相匹配
   boolean b = m.matches();
   if (! b) {
      continue;
   }
   int size = m.groupCount();
   List result = new ArrayList(size);
   for(int i=0; i<size; i++){
     result.add(m.group(i+1)); //如果有多个分组，则取出所有分组，并把最终结果做为列表返回
   }     
   return result;
}

如果不需要通过提交表单数据给服务器就能抓取到最终结果，显然上面的操作就有点小题大作了，删除上面的部分代码就可以了。
补充：上文仅做java学习用，项目中需要实现网页抓取，可以去了解一下JSOUP(http://jsoup.org/)和HTTPComponent(http://hc.apache.org/)