java使用webmagic实现网络爬虫功能（二）

这里需要爬的是上图的分页数据, 不同于之前的网页，这部分是通过Ajax请求加载数据的，可以从浏览器内置的http抓包信息中找到符合要求的post请求，如下

点击进去查看头文件信息，可以看到具体请求的地址与参数，

参数的意义可以通过不停发起请求来推测出来，尝试发起请求返回数据为xml格式的数据，如下

那么我们只需要解析xml来获得自己需要的数据即可，xml的解析不作详细解释，具体见java代码：

//获取列表页新闻   分页	/*	 * page 第几页新闻列表	 * perpage 分页系数 	 * startrecord 第几条开始	 * columnid 栏目id  56 政务信息  57 今日南浔 59 视频南浔  。。。	 */	public void getListNews(){		long pageNum = getParaToLong("page",1L);		List<Map<String, Object>> data = new ArrayList<Map<String, Object>>();		long perpage = 3 ;      //perpage 每页多少数据*3系数   为1是 每页3条   2时  每页6条 。。。		long startrecord = (pageNum-1)*perpage*3+1;  //哪条数据开始 		int columnid = 56;  		String url = "http://www.nanxun.gov.cn/module/jslib/jquery/jpage/dataPRoxy.jsp?";		url +="startrecord="+startrecord;		//url +="&endrecord=6"; 		url +="&perpage="+perpage;    		url +="&col=1&appid=1&webid=1&unitid=2024&webname=%E5%8D%97%E6%B5%94%E5%8C%BA%E6%94%BF%E5%BA%9C";		url +="&columnid="+columnid;		String content = HttpKit.get(url);		JSON json = JsonKit.convertXmlToJson(content, null);        JSONObject jsonObject = JSONObject.fromObject(json);          if (jsonObject.has("recordset")) {        	JSONArray transitListArray = jsonObject.getJSONArray("recordset");        	for (int i = 0; i < transitListArray.size(); i++) {        		Map<String,Object> innerMap = new HashMap<String,Object>();        		String obj = transitListArray.get(i)+"";        		//System.out.println(obj);        		Html html = new Html(obj);    			List<String> urlList = html.$("table a", "href").all();    			if(urlList.size()>0){    				innerMap.put("url", urlList.get(0));    			}    			String title = html.regex("<a style=.font-size:10.5pt;.*>(.*?)</a>", 1).get();    			innerMap.put("title", title);    			String publishDate = html.regex("<td width=.102. align=.center.*>(.*?)</td>", 1).get();        		innerMap.put("publishDate", publishDate);        		data.add(innerMap);        	}        }		renderJson(data);	}
可以看出可以根据page与startrecord 来自由控制爬第几页的数据，看看上面代码抓取来的数据
over，mark 一下给自己备忘。