[Jsoup] 使用HtmlUnit + Jsoup解析js动态生成的网页

版权所有：  bluetata  dietime1943@gmail.com
本文地址：  http://blog.csdn.net/dietime1943/article/details/79035779
转载请注明来源/作者

在使用Jsoup过程中会遇到无法解析通过javascript动态生成的html网页, 在Jsoup交流群中也经常会有人问到这个问题, 本文的解决办法是使用HtmlUnit+Jsoup来解析动态dynamic网页.

一般会出现动态js加载的网页源码为, 某些关键性数据, 比如某简历网站的年份, 薪金等敏感数据信息, 也比如某些网站动态加载出来的新闻, 公告, 也比如某些网站在生成快照的时候的更新时间, 这些都可能是通过js动态生成的DOM元素后进行加载的.

Jsoup专注的是解析html, 利用类似JQuery的API进行快速解析html, 并没有将自身的定位于模拟浏览器上, 所以并不是现阶段某些人说的Jsoup对于模拟浏览器不足等等, 希望大家在给同事讲解或者写博客的时候注明。而对于模拟浏览器, 进行无窗口化的访问, 有很多优秀的开源框架, 比如HttpClient, 也比如今天介绍的HtmlUnit, 亦或者Selenium.

“ 现如今为止Jsoup-1.10.4是无法动态加载js内容的, 官方作者Jonathan Hedley给予的回复是：“Javascript is not supported. Jsoup parses HTML.”。”HtmlUnit和Selenium本身都是做测试的开源框架, 本身Selenium底层也使用了HtmlUnit, 所以在本文直接介绍使用HtmlUnit进行处理动态js加载的Html问题.

〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜

如果是使用Maven构建项目, 请参照如下的配置, 如果是直接导入jar包, 直接到官网下载或者加博文后的Jsoup交流群, 在群文件中可以下载jar包和API帮助文档

1. <!-- https://mvnrepository.com/artifact/net.sourceforge.htmlunit/htmlunit -->

2. <dependency>

3. <groupId>net.sourceforge.htmlunit</groupId>

4. <artifactId>htmlunit</artifactId>

5. <version>2.29</version>

6. </dependency>

示例代码：

1. public static void main(String[] args) throws FailingHttpStatusCodeException, MalformedURLException, IOException {

2.  

3.         // 屏蔽HtmlUnit等系统 log

4.         LogFactory.getFactory().setAttribute("org.apache.commons.logging.Log","org.apache.commons.logging.impl.NoOpLog");

5.         java.util.logging.Logger.getLogger("com.gargoylesoftware").setLevel(Level.OFF);

6.         java.util.logging.Logger.getLogger("org.apache.http.client").setLevel(Level.OFF);

7.  

8. String url = "https://bluetata.com/";

9. System.out.println("Loading page now-----------------------------------------------: "+url);

10.  

11. // HtmlUnit 模拟浏览器

12. WebClient webClient = new WebClient(BrowserVersion.CHROME);

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

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

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

16. webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);

17. webClient.getOptions().setTimeout(10 * 1000); // 设置连接超时时间

18. HtmlPage page = webClient.getPage(url);

19. webClient.waitForBackgroundJavaScript(30 * 1000); // 等待js后台执行30秒

20.  

21. String pageAsXml = page.asXml();

22.  

23. // Jsoup解析处理

24. Document doc = Jsoup.parse(pageAsXml, "https://bluetata.com/");

25. Elements pngs = doc.select("img[src$=.png]"); // 获取所有图片元素集

26. // 此处省略其他操作

27. System.out.println(doc.toString());

28. }

 

● Jsoup学习讨论QQ群：50695115

● Jsoup爬虫代码示例及博客内源码下载：https://github.com/bluetata/crawler-jsoup-maven

● 更多Jsoup相关文章，请查阅专栏：【Jsoup in action】

注：本文原创由`bluetata`发布于blog.csdn.net、转载请务必注明出处。

 

--------------------- 本文来自 bluetata 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/dietime1943/article/details/79035779?utm_source=copy