htmlunit抓取动态网页(Java爬取博客阅读文章最多)

　　htmlunit抓取动态网页(Java爬取博客阅读文章最多)

　　更新，这很尴尬。这个文章博客阅读量最多文章，但也被最讨厌。

　　爬行思路：

　　所谓动态，就是可以通过请求后台动态改变对应的html页面，一开始页面并不是全部显示出来的。

　　大多数操作都是通过请求来完成的，一个请求，一个返回。在大多数网页中，请求往往被开发者隐藏在 js 代码中。

　　因此，爬取动态网页的思路转化为寻找对应的js代码，并执行对应的js代码，从而通过java代码动态改变页面。

　　而当页面能够正确显示时，我们就可以像抓取静态网页一样抓取数据了！

　　首先可以使用htmlunit来模拟鼠标点击事件，实现起来很简单：

　　 /**

* 通过htmlunit来获得一些搜狗的网址。

* 通过模拟鼠标点击事件来实现

* @param key

* @return

* @throws Exception

*/

public String getNextUrl(String key){

String page = new String();

try {

WebClient webClient = new WebClient();

webClient.getOptions().setCssEnabled(false);

webClient.getOptions().setJavaScriptEnabled(false);

//去拿网页

HtmlPage htmlPage = webClient.getPage("http://pic.sogou.com/");

//得到表单

HtmlForm form = htmlPage.getFormByName("searchForm");

//得到提交按钮

HtmlSubmitInput button = form.getInputByValue("搜狗搜索");

//得到输入框

HtmlTextInput textField = form.getInputByName("query");

//输入内容

textField.setValueAttribute(key);

//点一下按钮

HtmlPage nextPage = button.click();

String str = nextPage.toString();

page = cutString(str);

webClient.close();

} catch (Exception e) {

e.printStackTrace();

}

return page;

}

　　如上图，我通过java代码将关键字填入搜索我的，然后通过getInputByValue方法获取按钮控件，最后直接button.click()，

　　也就是说可以模拟点击，点击后返回的http请求可以解析成htmlpage。

　　

　　这个功能其实非常强大。例如，您可以使用该功能来模拟抢票，或者使用点击事件和搜索相关知识将整个系统下线并保存在 html 中。

　　下一步就是使用强大的 htmlunit 来执行 js 代码了。

　　先写一个简单的jsp页面：

　　

Insert title here

原数字

function change(value) {

document.getElementById("test").innerHTML = value;

return "hello htmlUnit";

}

　　从上面可以看出，jsp页面很简单，只是一个函数变化，用来调用htmlUnit。

　　接下来是一个使用 htmlunit 的类。这个类支持 JavaScript 解释器，

　　然后将自己编写的JavaScript代码嵌入到页面中执行，执行后得到返回结果返回页面。

　　package com.blog.anla;

import com.gargoylesoftware.htmlunit.ScriptResult;

import com.gargoylesoftware.htmlunit.WebClient;

import com.gargoylesoftware.htmlunit.html.HtmlPage;

public class TestMyOwnPage {

private void action() {

WebClient webClient = new WebClient();

try {

webClient.getOptions().setCssEnabled(false);

webClient.getOptions().setJavaScriptEnabled(true); // 设置支持JavaScript。

// 去拿网页

HtmlPage htmlPage = webClient

.getPage("http://localhost:8989/testHtmlScrop/index.jsp");

String s = "更改后的数字";

ScriptResult t = htmlPage.executeJavaScript("change(\"" + s

+ "\");", "injected script", 500);

// 这里是在500行插入这一小行JavaScript代码段，因为如果在默认的1行，那不会有结果

// 因为js是顺序执行的，当你执行第一行js代码时，可能还没有渲染body里面的标签。

HtmlPage myPage = (HtmlPage) t.getNewPage();

String nextPage = myPage.asXml().toString();

String nextPage2 = myPage.asText().toString();

} catch (Exception e) {

e.printStackTrace();

} finally {

webClient.close();

}

}

public static void main(String[] args) {

TestMyOwnPage tmop = new TestMyOwnPage();

tmop.action();

}

}

　　t.getNewPage() 中有两个属性，一个是

　　javaScriptResult：执行代码后返回的结果，如果有（如我上面写的，返回hello htmlunit），如果没有（返回Undefined）。

　　newPage_：执行这段代码后返回的整个页面。

　　结果如图所示：

　　

　　这段代码执行的最终结果如下：

　　asXml()：将整个页面的html代码返回给我们：

　　

　　而asText()只返回页面上可以显示的值，即head标签和label标签：

　　

　　这种执行思路也可以动态的执行对应的js代码，从而抓取到需要的数据。

　　-------------------------------------------------- -------------------------------------- 2017 年 7 月更新------- ------------------------------------------------- - ----------------------------------------------

　　这两天一直在研究一个关于网络爬虫的系统

　　但是第一次爬的时候就发现了这个问题，js的动态页面爬不下来。

　　网上找了很多方法，google也问了，主要是指htmlunit，下面是核心代码，

　　使用htmlunit的主要目的是模拟浏览器操作，因为有些链接点击无法通过src直接获取url，通常使用JavaScript

　　简单拼接后的URL，这样一来，相比之下，直接用htmlunit模拟浏览器点击就简单多了。

　　 WebClient webClient = new WebClient();

webClient.getOptions().setJavaScriptEnabled(true); //启用JS解释器，默认为true

webClient.getOptions().setCssEnabled(false); //禁用css支持

webClient.getOptions().setThrowExceptionOnScriptError(false); //js运行错误时，是否抛出异常

webClient.getOptions().setTimeout(20000);

HtmlPage page = wc.getPage("http://www.hao123.com");

//我认为这个最重要

String pageXml = page.asXml(); //以xml的形式获取响应文本

/**jsoup解析文档*/

Document doc = Jsoup.parse(pageXml, "http://cq.qq.com");

　　这个时候，就可以得到jsoup中的document对象了，接下来就好写了，就像爬普通静态网页一样了。

　　不过，webclient解析是还是会出现一些问题，js的问题，

　　主要是由于目标url的js写的有些问题，但在实际的浏览器中却会忽略，eclipse中会报异常。

　　今天看到的时候，很多人都踩了。也许他们当时没有认真写博客。如果想找java爬虫项目可以到我的专栏。

　　图片搜索包括使用 jsoup 抓取图片，以及使用 lire 对图片进行索引和搜索。

　　给玫瑰手留下余香。有什么问题可以多多讨论哦！