使用htmlunit在线解析网页信息

前言

最近工作上遇到一个问题，后端有一个定时任务，需要用JAVA每天判断法定节假日、周末放假，上班等情况，

其实想单独通过逻辑什么的去判断中国法定节假日的放假情况，基本不可能，因为国家每一年的假期可能不一样，是人为设定的；

所以只能依靠其它手段，能想到的比较靠谱的如下：

1. 网络接口：有些数据服务商会提供，要么是收钱的，要么是次数限制，等等各种问题，效果不理想，可控性差，我也没试过，如：https://www.juhe.cn/docs/api/id/177/aid/601或者http://apistore.baidu.com/apiworks/servicedetail/1116.html
2. 在线解析网页信息，获取节假日情况：严重依赖被解析的网站网页，所以在选取网站的时候，要找稍微靠谱点的；
3. 根据国家规定的法定节假日放假情况，每年录入系统，这种如果客户不怕麻烦的话。还是比较靠谱的；

本Demo将选择第二种来实现；

使用htmlunit在线解析网页信息，获取节假日情况

一开始是使用jsoup去解析网页的，效果不理想，如果网页是动态生成的时候，用jsoup遇到了各种问题，所以改成了htmlunit，总得来说htmlunit还是很强大的，能够模拟浏览器运行，被誉为java浏览器的开源实现；

首先去官网下载相关jar包，以及阅读相关文档：

http://htmlunit.sourceforge.net/

我这里解析的网页是360的万年历：

http://hao.360.cn/rili/

日历界面如下：

被解析的 HTML格式如下：

实现步骤：

1、加载页面；

2、循环等待页面加载完成（可能会有一些动态页面，是用javascript生成）；

3、根据网页格式解析html内容，并提取关键信息存入封装好的对象；

注意点：

1、难点在于判断是否休假及假期类型，由于原页面并没有标明每一天的假期类型，所以这里的逻辑要自己去实现，详情参考代码；

2、之所以有个静态latestVocationName变量，是防止出现以下情况（出现该情况的概率极低；PS:方法要每天调用一次，该变量才生效）：

代码实现：

定义一个中国日期类：

package com.pichen.tools.getDate;

import java.util.Date;

public class ChinaDate {

    /**
     * 公历时间
     */
    private Date solarDate;

    /**
     * 农历日
     */
    private String lunar;

    /**
     * 公历日
     */
    private String solar;

    /**
     * 是否是  休
     */
    private boolean isVacation = false;
    /**
     * 如果是 休情况下的假期名字
     */
    private String VacationName = "非假期";
    /**
     * 是否是 班
     */
    private boolean isWorkFlag = false;

    private boolean isSaturday = false;
    private boolean isSunday = false;
    /**
     * @return the solarDate
     */
    public Date getSolarDate() {
        return solarDate;
    }
    /**
     * @param solarDate the solarDate to set
     */
    public void setSolarDate(Date solarDate) {
        this.solarDate = solarDate;
    }
    /**
     * @return the lunar
     */
    public String getLunar() {
        return lunar;
    }
    /**
     * @param lunar the lunar to set
     */
    public void setLunar(String lunar) {
        this.lunar = lunar;
    }
    /**
     * @return the solar
     */
    public String getSolar() {
        return solar;
    }
    /**
     * @param solar the solar to set
     */
    public void setSolar(String solar) {
        this.solar = solar;
    }

    /**
     * @return the isVacation
     */
    public boolean isVacation() {
        return isVacation;
    }
    /**
     * @param isVacation the isVacation to set
     */
    public void setVacation(boolean isVacation) {
        this.isVacation = isVacation;
    }
    /**
     * @return the vacationName
     */
    public String getVacationName() {
        return VacationName;
    }
    /**
     * @param vacationName the vacationName to set
     */
    public void setVacationName(String vacationName) {
        VacationName = vacationName;
    }
    /**
     * @return the isWorkFlag
     */
    public boolean isWorkFlag() {
        return isWorkFlag;
    }
    /**
     * @param isWorkFlag the isWorkFlag to set
     */
    public void setWorkFlag(boolean isWorkFlag) {
        this.isWorkFlag = isWorkFlag;
    }
    /**
     * @return the isSaturday
     */
    public boolean isSaturday() {
        return isSaturday;
    }
    /**
     * @param isSaturday the isSaturday to set
     */
    public void setSaturday(boolean isSaturday) {
        this.isSaturday = isSaturday;
    }
    /**
     * @return the isSunday
     */
    public boolean isSunday() {
        return isSunday;
    }
    /**
     * @param isSunday the isSunday to set
     */
    public void setSunday(boolean isSunday) {
        this.isSunday = isSunday;
    }

}

解析网页，并调用demo，打印本月详情，和当天详情：

package com.pichen.tools.getDate;
import java.io.IOException;
import java.net.MalformedURLException;
import java.text.DateFormat;
import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.ArrayList;
import java.util.Date;
import java.util.List;

import com.gargoylesoftware.htmlunit.FailingHttpStatusCodeException;
import com.gargoylesoftware.htmlunit.WebClient;
import com.gargoylesoftware.htmlunit.html.DomNodeList;
import com.gargoylesoftware.htmlunit.html.HtmlElement;
import com.gargoylesoftware.htmlunit.html.HtmlPage;

public class Main {

    private static String latestVocationName="";

    public String getVocationName(DomNodeList<HtmlElement> htmlElements, String date) throws ParseException{
        String rst = "";

        boolean pastTimeFlag = false;
        DateFormat dateFormat = new SimpleDateFormat("yyyy/MM/dd");
        Date paramDate = dateFormat.parse(date);
        if(new Date().getTime() >= paramDate.getTime()){
            pastTimeFlag = true;
        }

        //first step   //jugde if can get vocation name from html page
        for(int i = 0; i < htmlElements.size(); i++){
            HtmlElement element = htmlElements.get(i);
            if(element.getAttribute("class").indexOf("vacation")!=-1){

                boolean hitFlag = false;
                String voationName = "";
                for(; i < htmlElements.size(); i++){
                    HtmlElement elementTmp = htmlElements.get(i);
                    String liDate = elementTmp.getAttribute("date");

                    List<HtmlElement> lunar = elementTmp.getElementsByAttribute("span", "class", "lunar");
                    String lanarText = lunar.get(0).asText();

                    if(lanarText.equals("元旦")){
                        voationName = "元旦";
                    }else if(lanarText.equals("除夕")||lanarText.equals("春节")){
                        voationName = "春节";
                    }else if(lanarText.equals("清明")){
                        voationName = "清明";
                    }else if(lanarText.equals("国际劳动节")){
                        voationName = "国际劳动节";
                    }else if(lanarText.equals("端午节")){
                        voationName = "端午节";
                    }else if(lanarText.equals("中秋节")){
                        voationName = "中秋节";
                    }else if(lanarText.equals("国庆节")){
                        voationName = "国庆节";
                    }

                    if(liDate.equals(date)){
                        hitFlag = true;
                    }

                    if(elementTmp.getAttribute("class").indexOf("vacation")==-1){
                        break;
                    }
                }

                if(hitFlag == true && !voationName.equals("")){
                    rst = voationName;
                    break;
                }

            }else{
                continue;
            }
        }

        //if first step fail(rarely), get from the latest Vocation name
        if(rst.equals("")){
            System.out.println("warning: fail to get vocation name from html page.");

            //you can judge by some simple rule 

            //from the latest Vocation name
            rst = Main.latestVocationName;
        }else if(pastTimeFlag == true){
            //更新《当前时间，且最近一次的可见的假期名
            Main.latestVocationName = rst;
        }
        return rst;
    }

    public List<ChinaDate> getCurrentDateInfo(){
        WebClient webClient = null;
        List<ChinaDate> dateList = null;

        try{
            DateFormat dateFormat = new SimpleDateFormat("yyyy/MM/dd");
            dateList = new ArrayList<ChinaDate>();

            webClient = new WebClient();
            HtmlPage page = webClient.getPage("http://hao.360.cn/rili/");

            //最大等待60秒
            for(int k = 0; k < 60; k++){
                if(!page.getElementById("M-dates").asText().equals("")) break;
                Thread.sleep(1000);
            }

            //睡了8秒，等待页面加载完成...，有时候，页面可能获取不到，不稳定（）
            //Thread.sleep(8000);

            DomNodeList<HtmlElement> htmlElements = page.getElementById("M-dates").getElementsByTagName("li");
            //System.out.println(htmlElements.size());

            for(HtmlElement element : htmlElements){
                ChinaDate chinaDate = new ChinaDate();

                List<HtmlElement> lunar = element.getElementsByAttribute("span", "class", "lunar");
                List<HtmlElement> solar = element.getElementsByAttribute("div", "class", "solar");

                chinaDate.setLunar(lunar.get(0).asText());
                chinaDate.setSolar(solar.get(0).asText());
                chinaDate.setSolarDate(dateFormat.parse(element.getAttribute("date")));

                if(element.getAttribute("class").indexOf("vacation")!=-1){
                    chinaDate.setVacation(true);
                    chinaDate.setVacationName(this.getVocationName(htmlElements, element.getAttribute("date")));

                }

                if(element.getAttribute("class").indexOf("weekend")!=-1 &&
                   element.getAttribute("class").indexOf("last")==-1){
                    chinaDate.setSaturday(true);
                }
                if(element.getAttribute("class").indexOf("last weekend")!=-1){
                    chinaDate.setSunday(true);
                }
                if(element.getAttribute("class").indexOf("work")!=-1){
                    chinaDate.setWorkFlag(true);
                }else if(chinaDate.isSaturday() == false &&
                         chinaDate.isSunday() == false &&
                         chinaDate.isVacation() == false ){
                    chinaDate.setWorkFlag(true);
                }else{
                    chinaDate.setWorkFlag(false);
                }

                dateList.add(chinaDate);
            }

        }catch(Exception e){
            e.printStackTrace();
            System.out.println("get date from http://hao.360.cn/rili/ error~");
        }finally{
            webClient.close();
        }
        return dateList;
    }

    public ChinaDate getTodayInfo(){
        List<ChinaDate> dateList = this.getCurrentDateInfo();
        DateFormat dateFormat = new SimpleDateFormat("yyyy/MM/dd");
        for(ChinaDate date: dateList){
            if(dateFormat.format(date.getSolarDate()).equals(dateFormat.format(new Date()))){
                return date;
            }
        }
        return new ChinaDate();
    }

    public static void main(String[] args) throws FailingHttpStatusCodeException, MalformedURLException, IOException, InterruptedException {

        List<ChinaDate> dateList = new Main().getCurrentDateInfo();
        ChinaDate today = new Main().getTodayInfo();
        DateFormat dateFormat = new SimpleDateFormat("yyyy/MM/dd");

        System.out.println("本月详情：");
        for(ChinaDate date: dateList){
            System.out.println(dateFormat.format(date.getSolarDate()) + " " + date.getVacationName());
        }

        System.out.println("------------------------------------------------------------------------");
        System.out.println("今日详情：");
        System.out.println("日期：" + today.getSolarDate());
        System.out.println("农历："+today.getLunar());
        System.out.println("公历："+today.getSolar());
        System.out.println("假期名："+today.getVacationName());
        System.out.println("是否周六："+today.isSaturday());
        System.out.println("是否周日："+today.isSunday());
        System.out.println("是否休假："+today.isVacation());
        System.out.println("是否工作日："+today.isWorkFlag());

        System.out.println("已发生的最近一次假期:" + Main.latestVocationName);
    }

}

运行程序，结果正确：

后续改进措施

当网页加载失败的时候，可以多次尝试；

可以考虑多找几个网站的日历进行解析，当其中一个抛出异常的时候，切换到另一个网站解析；

考虑增加邮件通知或短信通知功能，出现任何异常信息都能实时通知系统管理者；