HtmlUnit和片段标识

Question

我目前想知道如何处理片段标识，我想要从中获取信息的链接，包含片段标识。似乎HtmlUnit丢弃了我的网址的“＃/ db4mj”，因此加载了原始网址。

有没有人知道处理片段身份的方法？ （我可以发布示例代码以进一步解释是否需要）

修改的

由于我没有获得很多观点（并且没有答案），我将添加一笔赏金。对不起它只有50，但我只有79开始

编辑

以下是请求的示例代码。

我们的网址为：http://browse.deviantart.com/resources/applications/psbrushes/?order=9&offset=0

因此，如果你看一下链接中的内容，你会看到多个包含URL的画笔。所以我的脚本抓取了网址：http://browse.deviantart.com/resources/applications/psbrushes/?order=9&offset=0#/dbwam4

正如您所看到的那样，片段标识符＃/ dbwam4 现在我尝试抓取此页面上的内容，但HtmlUnit仍然认为它位于原始URL上。

以下是我的脚本中的示例代码，它在片段标识符URL上失败，但原始URL没有问题。

client = new WebClient(BrowserVersion.FIREFOX_3)
client.javaScriptEnabled = false

page = client.getPage(url)       //url with fragment identifier

//this is on the url with the fragment identifier only, not the original url
img = page.getByXPath("*[@id="gmi-ResViewSizer_img"]")

我希望能够使用片段标识符从URL中获取某些信息，但无法访问它。

Answer 1

好消息和坏消息。

首先，好消息是HtmlUnit似乎工作正常。

如果您在关闭JavaScript的浏览器中访问the page with the fragment identier URL（可能使用Firefox's QuickJava plugin），您将看不到所需的“单刷视图”。

因此，为了获取此页面，您需要使用WebClient并将setJavaScriptEnabled设置为true。

现在是坏消息：

我没有能够在启用JavaScript的情况下使用HtmlUnit获取“单刷视图”页面（我不知道为什么）。虽然，我已经能够获得关于场合的整页。

真正的问题是返回的HTML的状态非常糟糕，以至于无法解析我的尝试（我尝试TagSoup，jsoup，Jaxen等等。因此，我怀疑尝试使用XPath解析页面可能对您不起作用。

因此我认为您需要使用正则表达式（这远非理想），甚至使用String.indexOf（“gmi-ResViewSizer_img”）的某种变体。

我希望这会有所帮助。

修改

我设法得到偶尔起作用的东西。我担心我还没有转换为Groovy，所以它将是普通的旧Java。

我没有看过HtmlUnit的源代码，但几乎就好像在运行save的过程中有什么东西有助于解析工作？如果没有保存，我似乎得到了NullPointerExceptions。

import com.gargoylesoftware.htmlunit.BrowserVersion;
import com.gargoylesoftware.htmlunit.WebClient;
import com.gargoylesoftware.htmlunit.WebRequest;
import com.gargoylesoftware.htmlunit.WebResponse;
import com.gargoylesoftware.htmlunit.html.HtmlElement;
import com.gargoylesoftware.htmlunit.html.HtmlPage;
import com.gargoylesoftware.htmlunit.util.FalsifyingWebConnection;
import java.io.File;
import java.io.IOException;

public class TestProblem {

    public static void main(String[] args) throws IOException {
        WebClient client = new WebClient(BrowserVersion.FIREFOX_3_6);
        client.setJavaScriptEnabled(true);
        client.setCssEnabled(false);
        String url = "http://browse.deviantart.com/resources/applications/psbrushes/?order=9&offset=0#/dbwam4";
        client.setThrowExceptionOnScriptError(false);
        client.setThrowExceptionOnFailingStatusCode(false);
        client.setWebConnection(new FalsifyingWebConnection(client) {

            @Override
            public WebResponse getResponse(final WebRequest request) throws IOException {
                if ("www.google-analytics.com".equals(request.getUrl().getHost())) {
                    return createWebResponse(request, "", "application/javascript"); // -> empty script
                }
                if ("d.unanimis.co.uk".equals(request.getUrl().getHost())) {
                    return createWebResponse(request, "", "application/javascript"); // -> empty script
                }
                if ("edge.quantserve.com".equals(request.getUrl().getHost())) {
                    return createWebResponse(request, "", "application/javascript"); // -> empty script
                }
                if ("b.scorecardresearch.com".equals(request.getUrl().getHost())) {
                    return createWebResponse(request, "", "application/javascript"); // -> empty script
                }
                //
                if (request.getUrl().toString().startsWith("http://st.deviantart.net/css/v6core_jc.js")) {
                    WebResponse wr = super.getResponse(request);
                    return createWebResponse(request, wr.getContentAsString(), "application/javascript");
                }
                if (request.getUrl().toString().startsWith("http://st.deviantart.net/css/v6loggedin_jc.js")) {
                    WebResponse wr = super.getResponse(request);
                    return createWebResponse(request, wr.getContentAsString(), "application/javascript");
                }
                return super.getResponse(request);
            }
        });

        HtmlPage page = client.getPage(url);       //url with fragment identifier



        File saveFile = new File("saved.html");
        if(saveFile.exists()){
            saveFile.delete();
            saveFile = new File("saved.html");
        }
        page.save(saveFile);


        HtmlElement img = page.getElementById("gmi-ResViewSizer_img");
        System.out.println(img.toString());

    }
}