webMagic和phantomjs結合爬取JS動態生成的界面（Java爬蟲）

https://www.bbsmax.com/A/kvJ362GQzg/

經過一下午的折騰，找到了一篇寫的好的文章，講的是處理JS渲染的HTML界面，原文鏈接如上。

 

webMagic雖然方便，但是也有它不適用的地方，比如定向的某個單頁面爬蟲，或者存在大量ajax請求，頁面的跳轉請求全都混淆在js裏。

這時可以用webMagic結合phantomjs來真實模擬頁面請求，即不僅僅獲取數據，而是將整個頁面完整渲染出來。雖然這樣會使爬蟲速度變慢很多，但是不失爲一種快捷方便的解決方法。

PhantomJS是一個基於 WebKit 的服務器端JavaScript API。它全面支持web而不需瀏覽器支持，其快速，原生支持各種Web標準： DOM 處理, CSS 選擇器, JSON, Canvas, 和 SVG。 PhantomJS 可以用於頁面自動化 ， 網絡監測， 網頁截屏，以及 無界面測試 等。

淘寶就是這種難以用普通爬蟲方法爬取的網站。直接發送GET請求到淘寶基本獲取不到什麼有效的內容和鏈接。

還好webMagic雖然默認使用httpClient獲取網頁，但是它也將它獲取網頁的方法Downloader開放出來。這樣可以在Downloader裏使用phantomjs獲取頁面。

phantomjs使用方法

1.下載安裝phantomjs

2.編寫js腳本

system = require('system')   //傳遞一些需要的參數給js文件  
 
address = system.args[1];//獲得命令行第二個參數 ，也就是指定要加載的頁面地址，接下來會用到    
 
var page = require('webpage').create();  
 
var url = address;  
 
page.open(url, function (status) {  
 
    if (status !== 'success') {  
 
        console.log('Unable to post!');
    } else {  
 
        var encodings = ["euc-jp", "sjis", "utf8", "System"];//這一步是用來測試輸出的編碼格式，選擇合適的編碼格式很重要，不然你抓取下來的頁面會亂碼o(╯□╰)o，給出的幾個編碼格式是官網上的例子，根據具體需要自己去調整。  
 
        for (var i = 3; i < encodings.length; i++) {//我這裏只要一種編碼就OK啦  
 
            phantom.outputEncoding = encodings[i];  
 
            console.log(phantom.outputEncoding+page.content);//最後返回webkit加載之後的頁面內容
        }  
 
    }
    phantom.exit();
});     

3.測試

 

package util;
 
import java.io.BufferedReader;
import java.io.File;
import java.io.FileWriter;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.io.PrintWriter;
 
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Request;
import us.codecraft.webmagic.selector.PlainText;
 
public class GetAjaxHtml {
    public static String getAjaxContent(String url) throws Exception {
        Runtime rt = Runtime.getRuntime();
        Process p = rt
                .exec("D:/phantomjs-2.1.1-windows/bin/phantomjs.exe D:/s.js "
                        + url);
        InputStream is = p.getInputStream();
        BufferedReader br = new BufferedReader(new InputStreamReader(is));
        StringBuffer sbf = new StringBuffer();
        String tmp = "";
        while ((tmp = br.readLine()) != null) {
            sbf.append(tmp + "\n");
        }
        return sbf.toString();
    }
 
    public static Page download(Request request) {
        Page page = new Page();
        try {
            String url = request.getUrl();
            String html = getAjaxContent(url);
            page.setRawText(html);
            page.setUrl(new PlainText(url));
            page.setRequest(request);
            return page;
        } catch (Exception e) {
            System.out.println("download出錯了!");
            return page;
        }
    }
 
    public static void main(String[] args) throws Exception {
        long start = System.currentTimeMillis();
        String result = getAjaxContent("http://www.taobao.com");
        System.out.println(result);
        // 創建新文件
        String path = "D:\\testFile\\taobao.html";
        PrintWriter printWriter = null;
        printWriter = new PrintWriter(new FileWriter(new File(path)));
        printWriter.write(result);
        printWriter.close();
        long end = System.currentTimeMillis();
        System.out.println("===============耗時：" + (end - start)
                + "===============");
    }
}

webMagic結合phantomjs淘寶爬蟲

 

package taobao;
 
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Request;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.Task;
import us.codecraft.webmagic.downloader.Downloader;
import us.codecraft.webmagic.processor.PageProcessor;
import util.GetAjaxHtml;
import util.UuidUtil;
import csdnblog.dao.TaobaoDao;
import csdnblog.model.Taobao;
 
public class TaobaoPageProcessor implements PageProcessor {
 
    private TaobaoDao taobaoDao = new TaobaoDao();
 
    // 抓取網站的相關配置，包括：編碼、抓取間隔、重試次數等
    private Site site = Site.me().setRetryTimes(3).setSleepTime(1000);
 
    @Override
    public Site getSite() {
        return site;
    }
 
    @Override
    public void process(Page page) {
        page.addTargetRequests(page.getHtml().links()
                .regex(".*item\\.taobao\\.com/item\\.htm\\?id=.*")
                .all());
        page.addTargetRequests(page.getHtml().links()
                .regex("https://s\\.taobao\\.com/list.*")
                .all());
 
        //如果是詳情頁
        if(page.getUrl().regex("https://item\\.taobao\\.com/item\\.htm\\?id=.*").match()) {
 
            Taobao taobao = new Taobao();
            taobao.setId(UuidUtil.getId());
            taobao.setUrl(page.getUrl().toString());
            taobao.setMaintitle(page.getHtml().xpath("//h3[@class='tb-main-title']/text()").get());
            taobao.setSubtitle(page.getHtml().xpath("//p[@class='tb-subtitle']/text()").get());
            taobao.setPrice(page.getHtml().xpath("//strong[@id='J_StrPrice']/em[@class='tb-rmb-num']/text()").get());
            taobao.setTaobaoprice(page.getHtml().xpath("//em[@id='J_PromoPriceNum']/text()").get());
            taobao.setRatecounter(page.getHtml().xpath("//strong[@id='J_RateCounter']/text()").get());
            taobao.setSellcounter(page.getHtml().xpath("//strong[@id='J_SellCounter']/text()").get());
            // 把對象存入數據庫
            taobaoDao.addTaobao(taobao);
            // 把對象輸出控制檯
            System.out.println(taobao.toString());
        }
    }
 
    public static void main(String[] args) {
        Spider.create(new TaobaoPageProcessor()).setDownloader(new Downloader() {
 
            @Override
            public void setThread(int threadNum) {
            }
 
            @Override
            public Page download(Request request, Task task) {
                return GetAjaxHtml.download(request);
            }
        }).addUrl("https://s.taobao.com/list?q=%E5%A4%B9%E5%85%8B&cat=50344007&style=grid&seller_type=taobao").thread(5).run();
    }
}