针对爬虫获取异步请求的数据时,往往比较麻烦,需要分析异步请求的路径,再次发起请求获取数据(可能是JSON等)。另外还有一种方式是通过模拟浏览器内核获取动态加载的数据,使得动态页面的数据获取与解析同静态HTML一样方便。
目前对于Java爬虫而言,最常用的浏览器内核模拟工具是做自动测试用的Selenium。然而,由于浏览器的不断升级,很多时候在配置Selenium的版本与浏览器(还有浏览器的驱动)版本对应问题,经常容易出错。下面通过一个案例总结一种最常用的版本对应方式(Selenium+firefox+驱动)以及常用方式:
import org.apache.http.HttpEntity;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpPost;
import org.apache.http.impl.client.DefaultHttpClient;
import org.openqa.selenium.By;
import org.openqa.selenium.WebDriver;
import org.openqa.selenium.WebElement;
import org.openqa.selenium.firefox.FirefoxDriver;
import java.io.InputStream;
import java.util.List;
/**
* 这是一个通过Selenium实现自动化操作浏览器的测试类
* 根据版本测试,本测试选择版本如下:
* selenium版本:selenium3.8.0(最新版,导入client-combined-3.8.0.jar即可)。翻墙到官网可下载http://www.seleniumhq.org/download/
* 使用火狐浏览器做测试,浏览器版本 firefox57.0.3(最新版)
* geckodriver 驱动:geckodriver 0.19.0(最新版) 由于firefox47以上版本不再内置驱动,需要自己装对应版本的驱动。
* 下载地址:https://github.com/mozilla/geckodriver/tags下载对应版本
* @author kevin5211
* @2018-1-1.
*/
public class SeleniumTest {
private static WebDriver.Navigation navigation;
public static void main(String[] args) {
//登陆测试模板
// test1();
// test2();
// test3();
// test4();
test5();
}
/**
*通过firefox浏览器内核渲染的方式获取花瓣网的图片并下载
*/
public static void test5(){
System.setProperty("webdriver.gecko.driver","D:\\Program Files\\Driver\\geckodriver.exe");