爬虫的自我解剖(抓取网页HtmlUnit)

jopen 10年前

网络爬虫第一个要面临的问题,就是如何抓取网页,抓取其实很容易,没你想的那么复杂,一个开源HtmlUnit包,4行代码就OK啦,例子如下:

</tr> </tbody> </table> </div> </div> </div>

在程序中写上上面的4行代码,运行,就可以得到烟雨林博客首页的全部内容,上面代码在运行的过程中会出现很多警告,出现这些警告的主要原因是由于以下两点:

1、HtmlUnitJavascript的支持不是很好

2、HtmlUnitCSS的支持不是很好

明白了上面的两点后,将代码重新改写一下,该禁用的就禁用,同时禁用一些不必要的功能,也有利于提高程序的运行效率,再者说网络爬虫也不需要CSS的支持滴

1
2
3
4
</td>
final  WebClient webClient= new  WebClient();
final  HtmlPage page=webClient.getPage( "http://www.yanyulin.info" );
System.out.println(page.asText());
webClient.closeAllWindows();
</tr> </tbody> </table> </div> </div> </div>

HtmlUnit的使用: 简介:HtmlUnit说白了就是一个浏览器,这个浏览器是用Java写的无界面的浏览器,正因为其没有界面,因此执行的速度还是可以滴,HtmlUnit提供了一系列的API,这些API可以干的功能比较多,如表单的填充,表单的提交,模仿点击链接,由于内置了Rhinojs引擎,因此可以执行Javascript

作用:web的自动化测试(最初的目的),浏览器,网络爬虫

重要API的使用 在介绍API的使用之前要先明白的一个问题是,WebClient,WebWindow,Page三者之间的关系,所有的页面最终都是在一个 WebWindow对象里面,WebClient在创建时会自动的创建一个WebWindow对象,当调用getPage时会将新页面加载到 WebWindow里,你可以理解成WebClient就是IE内核,WebWindow就是呈现页面的浏览器窗口,三者之间的关系图如下图所示:

1、模拟特定浏览器,也可以指定浏览器的相应版本(HtmlUnit最新版2.13现在可以模拟的浏览器有Chrome/FireFox/IE)

1
2
3
4
5
6
</td>
final  WebClient webClient= new  WebClient();
webClient.getOptions().setCssEnabled( false );
webClient.getOptions().setJavaScriptEnabled( false );
final  HtmlPage page=webClient.getPage( "http://www.yanyulin.info" );
System.out.println(page.asText());
webClient.closeAllWindows();
</tr> </tbody> </table> </div> </div> </div>

2、查找特定元素,通过get或者XPath可以从HtmlPage中获得特定的Html元素,如下例子

方法一,通过get方法获取

1
2
</td>
//模拟chorme浏览器,其他浏览器请修改BrowserVersion.后面
WebClient  webClient= new  WebClient(BrowserVersion.CHROME);
</tr> </tbody> </table> </div> </div> </div>

方法二,通过XPath获取,XPath通常用于无法通过Id搜索,或者需要更为复杂的搜索时,XPath的相关教程

XPath相关教程请查看我的个人博客

1
2
3
</td>
HtmlPage page=webClient.getPage( "http://www.yanyulin.info" );
//从[烟雨林博客]上获取标签hed的内容
HtmlDivision div=(HtmlDivision)page.getElementById( "hed" );
</tr> </tbody> </table> </div> </div> </div>

3、代理服务器的配置,代理的配置很简单,只需要配置好地址,端口,用户名与密码即可

1
2
3
4
</td>
//同样可以打印出hed的内容,//div中//表示搜索整个文档中的div,并将这些div
//放入list中,然后获取第一个div
final  HtmlDivision div = (HtmlDivision) page.getByXPath( "//div" ).get( 0 );
System.out.println(div.asXml());
</tr> </tbody> </table> </div> </div> </div>

4、模拟表单的提交

1
2
3
</td>
final  WebClient webClient = new  WebClient(BrowserVersion.CHROME, "http://127.0.0.1" , 8087 );
final  DefaultCredentialsProvider credentialsProvider = (DefaultCredentialsProvider) webClient.getCredentialsProvider();
credentialsProvider.addCredentials( "username" , "password" );
</tr> </tbody> </table> </div> </div> </div>

API的使用就介绍到这,网络爬虫中主要目的就是获取页中所有的链接,代码如下:

1
2
3
4
5
6
7
8
9
</td>
//获取表单 
final  HtmlForm form = page.getFormByName( "form" );
//获取提交按扭
final  HtmlSubmitInput button = form.getInputByName( "submit" );
//一会得输入的
final  HtmlTextInput textField = form.getInputByName( "userid" );
textField.setValueAttribute( "test" );
//点击提交表单
final  HtmlPage page = button.click();
</tr> </tbody> </table> </div> </div> </div>

最后来个例子,HtmlUnit模拟浏览器登录小米网站帐户,程运运行的截图如下,红色方框表示登录成功跳转到下一个页面出现的帐号:

爬虫的自我解剖(抓取网页HtmlUnit)

本博文源代码下载:

源码下载

Java皮肤库下载

HtmlUnit源码包下载

HtmlUnit的Jar包下载

来源地址: http://www.yanyulin.info/pages/2013/11/fetchPage.html

1
2
3
4
</td>
java.util.List achList=page.getAnchors();
for (HtmlAnchor ach:achList){
System.out.println(ach.getHrefAttribute());
}