htmlunit 学习笔记

htmlunit 是一款开源的java 页面分析工具,读取页面后,可以有效的使用htmlunit分析页面上的内容。项目可以模拟浏览器运行,被誉为java浏览器的开源实现。是一个没有界面的浏览器,运行速度迅速。是junit的扩展之一

采用的是Rhinojs引擎。模拟js运行

常规意义上,该项目可以用来进行页面的测试工作,实现网页自动化测试,(包括JS)

但是一般来说,在小型爬虫项目中,这种框架十分常用,可以有效的分析出 dom的标签,并且有效的运行页面上的js以便得到一些需要执行JS才能得到的值。

我们研究的爬虫应用中 仅仅用Httpclient+jsoup是不够的,因为有些页面数据是js加载出来的 httpclient解析不出来,比如百度云用户页面,淘宝页面,连开源中国博客的博客内容都是Js加载或者处理的,所以httpClient是解析不出来的,这里htmlunit就是一个很好的方案,内嵌js浏览器,模拟Js运行,把结果执行出来。这个就是我们想要的。所以搞爬虫,htmlunit必须要掌握好;
Htlmlunit我使用了最新版,最新版需要jdk1.8不然会报错jdk版本对应不上。

package com.myactiviti.HelloActiviti;
import java.io.IOException;
import java.net.MalformedURLException;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

import com.gargoylesoftware.htmlunit.BrowserVersion;
import com.gargoylesoftware.htmlunit.FailingHttpStatusCodeException;
import com.gargoylesoftware.htmlunit.WebClient;
import com.gargoylesoftware.htmlunit.html.DomElement;
import com.gargoylesoftware.htmlunit.html.DomNodeList;
import com.gargoylesoftware.htmlunit.html.HtmlDivision;
import com.gargoylesoftware.htmlunit.html.HtmlPage;
import com.gargoylesoftware.htmlunit.html.HtmlSpan;
import com.gargoylesoftware.htmlunit.html.HtmlTable;

/**
 * Hello world!
 *
 */
public class HtmlUnit1 {
    public static void main(String[] args) {
        Map<String, Integer> map = getHighIP.getInstance().map;
        getHtml(map);
    }
    public static void getHtml(Map<String, Integer> ips) {

        Object[] array = ips.keySet().toArray();
        String ip = array[0].toString();
        System.out.println(ip+"ip and port"+ips.get(ip));
        WebClient webclient = new WebClient(BrowserVersion.FIREFOX_52,ip,ips.get(ip));
        webclient.getOptions().setTimeout(10000);
        try {
            HtmlPage page = webclient.getPage("http://www.java1234.com/");

           //System.out.println("网页内容:"+page.asXml());
            HtmlDivision htmlDivision = page.getHtmlElementById("navMenu");
            //System.out.println("网页内容txt:"+htmlDivision.asText());

            DomNodeList<DomElement> aList = page.getElementsByTagName("a");
             for (DomElement domElement : aList) {
                 System.out.println("通过标签获取:"+domElement.asXml());
            }

            HtmlSpan item = (HtmlSpan) page.getByXPath("//div[@id='navMenu'][1]/ul/li[2]/a/span").get(0); // xpath方式
            System.out.println("xpath方式获取某个元素值:"+item.asText());


        } catch (FailingHttpStatusCodeException e) {
            // TODO Auto-generated catch block
            System.out.println("+++++++++++++++++++++++++++++++++++++++=");
            ips.remove(ip);
            getHtml(ips);
        } catch (MalformedURLException e) {
            // TODO Auto-generated catch block
            System.out.println("________________________");
            ips.remove(ip);
            getHtml(ips);
        } catch (Exception e) {
            ips.remove(ip);
            System.out.println("有异常啊!");
            getHtml(ips);
            // TODO Auto-generated catch block
        }finally {
            webclient.close();
        }
    }

}

通过单例模式爬取网站http://www.xicidaili.com/上的高匿IP放到Map中

package com.myactiviti.HelloActiviti;
import java.io.IOException;
import java.net.MalformedURLException;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

import com.gargoylesoftware.htmlunit.BrowserVersion;
import com.gargoylesoftware.htmlunit.FailingHttpStatusCodeException;
import com.gargoylesoftware.htmlunit.WebClient;
import com.gargoylesoftware.htmlunit.html.DomElement;
import com.gargoylesoftware.htmlunit.html.DomNodeList;
import com.gargoylesoftware.htmlunit.html.HtmlDivision;
import com.gargoylesoftware.htmlunit.html.HtmlPage;
import com.gargoylesoftware.htmlunit.html.HtmlSpan;
import com.gargoylesoftware.htmlunit.html.HtmlTable;

/**
 * Hello world!
 *
 */
public class getHighIP {
    Map<String, Integer> map = new HashMap<String, Integer>();

    private static getHighIP instance=null;
    public static synchronized getHighIP getInstance(){
        if(instance==null){
               instance=new getHighIP();
        }
        return instance;
    }

    private getHighIP(){
        WebClient webclient = new WebClient(BrowserVersion.FIREFOX_52);
        //webclient.getOptions().setJavaScriptEnabled(false);//关闭js
        //webclient.getOptions().setCssEnabled(false);//关闭css
        //获取高匿
        try {
            HtmlPage ipPage = webclient.getPage("http://www.xicidaili.com/");
            HtmlTable htmlTable = ipPage.getHtmlElementById("ip_list");
            for (int i = 2; i < 10; i++) {
                String ip = htmlTable.getCellAt(i, 1).asText();
                String port =htmlTable.getCellAt(i, 2).asText();
                map.put(ip, Integer.parseInt(port));
            }
            //System.out.println(ips);

        } catch (FailingHttpStatusCodeException e1) {
            // TODO Auto-generated catch block
            e1.printStackTrace();
        } catch (MalformedURLException e1) {
            // TODO Auto-generated catch block
            e1.printStackTrace();
        } catch (IOException e1) {
            // TODO Auto-generated catch block
            e1.printStackTrace();
        }finally {
            webclient.close();
        }
    }
}
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值