网页解析利器——HtmlUnit

网页解析利器——HtmlUnit

最近做京津冀路网的爬取，遇到一个很麻烦的问题，就是很多网页上有js脚本，用普通的，例如HtppClient，根本无法做到解析js脚本，后来，百度了一下，找到了一个，是Java从jdk5之后扩展的ScriptEngineManager，
使用如下方法

ScriptEngineManager manager = new ScriptEngineManager();
　　// 得到javascript脚本引擎
　　ScriptEngine engine = manager.getEngineByName("javascript");
　　try
　　{
　　// 开始运行脚本，并返回当前的小时
　　Double hour = (Double)engine.eval("var date = new Date();" +"date.getHours();");

这种Java自带的虽然不用导入外部的包，但是在实际开发中，这种API经常会报找不到window、document等等，因为ScriptEngineManager里面并没有解析js的引擎，所以这种方案只得作废。
jsoup是号称解析网页很强大的工具，但是只能解析静态的网页，同样不能解析动态的网页。
这时候，用到了一个开源的网页分析工具，HtmlUnit，这种工具自带有js的解析和css的解析，能够很好的解析出带有js的网页，但是一个缺点就是解析网页的速度太慢，因为要解析js，所以解析网页的速度就慢下来了，如果有时候业务需要不用解析js的话，可以选择关闭js解析和css解析器，这样解析网页速度会比较快了，代码如下：

public static void main(String[] args) throws Exception{
        String str;
        //创建一个webclient
        WebClient webClient = new WebClient();
        //htmlunit 对css和javascript的支持不好，所以请关闭之
        webClient.getOptions().setJavaScriptEnabled(false);
        webClient.getOptions().setCssEnabled(false);
        //获取页面
        HtmlPage page =     webClient.getPage("http://www.baidu.com/");
        //获取页面的TITLE
        str = page.getTitleText();
        System.out.println(str);
        //获取页面的XML代码
        str = page.asXml();
        System.out.println(str);
        //获取页面的文本
        str = page.asText();
        System.out.println(str);
        //关闭webclient
        webClient.closeAllWindows();
    }

如果想要解析网页中的js，那么就不用关闭js和css解析器，在HtmlUnit中，这两个功能默认是开启的，网上找资料中，看到很多人说用HtmlUnit解析js并不起作用，这是因为HtmlUnit解析的时候，时间会比较长，有时候还没等程序解析完，就执行了输出结果的程序，所以，最终看不到解析后的结果，所以，可以暂时将该线程挂起，或者让当前线程睡眠一段时间，再去获取结果，优化方案如下：

// 新建一个web客户端
        WebClient webClient = new WebClient(BrowserVersion.FIREFOX_52);
        // 解析获取的页面
        HtmlPage page = webClient.getPage("https://www.baidu.com");
        Thread.sleep(10000);
        System.out.println("------获取的网页------");
        System.out.println(page.asXml());
        webClient.close();

所以，HtmlUnit还是比较好用的。