htmlunit抓取动态网页(别的项目组什么项目突然心血来潮想研究一下爬虫、分析的简单原型)

　　htmlunit抓取动态网页(别的项目组什么项目突然心血来潮想研究一下爬虫、分析的简单原型)

　　由于其他项目组都在做舆情预测项目，我只是手头没有项目，突然心血来潮想研究一个简单的爬虫原型和分析。网上这方面的资料很多，看得我眼花缭乱。对于我这样的新手，想做一个简单的爬虫程序，所以HttpClient + jsoup是个不错的选择。前者是用来管理请求的，后者是用来解析页面的，主要是后者的select语法和jquery很像，对我这个用js的人来说太方便了。

　　昨天和他们聊天时，他们使用了几个知名的开源框架。聊了几句，他们发现自己根本无法爬取动态网页，尤其是一些重要的数字，比如评论数和回复数。等等我有一个大致的了解。比如TRS的爬虫需要为js调用编写js脚本，但分析量巨大。他们的技术人员告诉我们，如果他们匹配这样的模板，他们每天只能匹配2到3个。，更何况我们这些中途修士。碰巧是一个相当大的挑战，所以我昨天答应他们，看看他们是否能找到一个相对简单的解决方案，当然，不管效率如何。

　　举个简单的例子，如下图

　　“我有话要说”后面的1307是后载的，但这些数字往往对舆情分析更重要。

　　对需求有了大致的了解后，我们来分析如何解决它们。通常我们得到的一个请求的响应收录js代码和html元素，所以像jsoup这样的html解析器很难在这里利用，因为它所能得到的html，1307还没有生成。这时候就需要一个可以运行js的平台，运行js代码后的页面会被html解析，这样才能正确得到结果。

　　因为懒，一开始写脚本的方式被我抛弃了，因为分析一个页面太痛苦了，代码乱成一锅粥。看的太累了。所以我的首要任务是，为什么我不能让这个地址在某个浏览器中运行，然后将运行结果交给html解析器解析，那么整个问题就解决了。这样，我的临时解决方案是在爬虫服务器上打开一个后台浏览器，或者是有浏览器内核的程序，把url地址交给它去请求，然后从浏览器中取出页面的元素给它到 html 解析器进行解析以获取您想要的信息。

　　没错，最后我还是用 Selenium 来实现我在上一篇文章中提到的问题。我没有尝试其他任何东西。我只试过火狐引擎。整体效果我还是可以接受的。

　　继续昨天的话题，既然我们要实现上一篇提到的问题，就需要一个可以执行js代码的框架。我的首选是htmlunit，先简单介绍一下htmlunit。以下段落摘自互联网。

　　htmlunit 是一个开源的java页面分析工具。启动htmlunit后，会在底层启动一个非界面浏览器。用户可以指定浏览器类型：firefox、ie等，不指定则默认使用INTERNET_EXPLORER_7：

　　WebClient webClient = new WebClient(BrowserVersion.FIREFOX_3_6);

　　只需调用：

　　HtmlPage 页面 = webClient.getPage(url);

　　可以获取页面的 HtmlPage 表示，然后通过：

　　InputStream 是 = targetPage.getWebResponse().getContentAsStream()

　　可以获取页面的输入流，从而获取页面的源代码，对于网络爬虫项目非常有用。

　　当然，你也可以从page中获取更多的页面元素。

　　重要的是，HtmlUnit 提供对执行 javascript 的支持：

　　page.executeJavaScript(javascript)

　　执行js后，返回一个ScriptResult对象，通过该对象可以获取执行js后的页面等信息。默认情况下，执行完js后，内部浏览器会进行页面跳转，跳转到执行完js后生成的新页面。如果js执行失败，则不会执行页面跳转。

　　最后可以通过page.executeJavaScript(javascript).getNewPage()获取执行的页面。也就是说，这里需要人为地执行javascript，这显然不符合我的初衷。另外，我的水平可能太差了。我在爬新浪新闻的页面时总是出错。根据网络上的查询结果，最可能的错误原因是htmlunit在执行一些带参数的请求时，由于参数顺序或者编码问题，请求失败，报错。关键是，运行它后我没有得到我需要的结果。

　　然后我寻找另一种解决方案。这时，我找到了 SeleniumWebDriver，这是我需要的解决方案。

　　参考资料和例子，就可以开始使用了。示例代码如下。

<p> 1 File pathToBinary = new File("D:\\Program Files (x86)\\Mozilla Firefox\\firefox.exe");

2 FirefoxBinary ffBinary = new FirefoxBinary(pathToBinary);

3 FirefoxProfile firefoxProfile = new FirefoxProfile();

4 FirefoxDriver driver = new FirefoxDriver(ffBinary,firefoxProfile);

5

6

7 driver.get("http://cq.qq.com/baoliao/detail.htm?294064");

8

9 ArrayList list = new ArrayList();

10 list.add("http://www.sina.com.cn");

11 list.add("http://www.sohu.com");

12 list.add("http://www.163.com");

13 list.add("http://www.qq.com");

14

15 long start,end;

16

17 for(int i=0;i