记录一下:前两天有个爬虫的项目出问题了,爬取的服务端升级了mlgbd,给每个关键页面加了cookie验证。
访问服务器端给返回状态码202,并且返回的html里有一段加密过的js,这段js通过获取meta标签里动态传入的content值进行计算然后把值存入cookie,本来想看js直接写的啥 自己通过逻辑取出值去生成cookie的,结果发现js里的几个关键值都是后台动态生成的 ,想来想去直接取值麻烦 (1万行加密js代码,看的他妈头都大了 还是混淆过的)。
实在是受不了了 领导还天天催。结果想有没有什么能直接运行js的东西,就找到了htmlunit。
通过htmlunit拿到页面然后运行里面的js将js设置的cookie拿到,放到自己请求的cookie中,问题顺利解决了(由于每个页面都有js设置cookie,先用htmlunit执行js拿到cookie再用httpclient去获取页面访问)。
public String getJsCookie(String url,String... cName) {
WebClient webClient = new WebClient(BrowserVersion.CHROME);
//2.设置连接的相关选项
webClient.getOptions().setCssEnabled(false);
webClient.getOptions().setJavaScriptEnabled(true); //需要解析js
webClient.getOptions().setThrowExceptionOnScriptError(false); //解析js出错时不抛异常
//webClient.setJavaScriptEngine(new MyJavaScriptEngine(webClient));//自定义JavaScript引擎,有js错误不打印
webClient.getOptions().setTimeout(10000); //超时时间 ms
webClient.waitForBackgroundJavaScript(10000); //等侍js脚本执行完成
//3.抓取页面
HtmlPage page = null;
try {
page = webClient.getPage(url);//爬取页面的路径
} catch (IOException e) {
e.printStackTrace();
}
//4.将页面转成指定格式
//System.out.println(page.asXml());
CookieManager CM = webClient.getCookieManager(); //WC = Your WebClient's name
Set cookies_ret = CM.getCookies();//拿到htmlunit存取的页面cookie
String cookiestr="";//按照默认方式进行拼接
for(com.gargoylesoftware.htmlunit.util.Cookie cookie:cookies_ret){
//System.out.println(cookie.getName()+":"+cookie.getValue());
for(String name:cName){
if(cookie.getName().equals(name)){
cookiestr+=name+"="+cookie.getValue()+";";
}
}
}
return cookiestr;
}
服务端是可以访问了,但是有几个问题还待解决。
1.js报错关不掉,重写了不知是版本问题还是啥 没时间去弄了 直接设置异常不抛出也不管用。测试的时候不知道改了啥了 有几次没抛 结果还原代码 改不回去了。。。
2.解析js很慢。解析js太慢了 可能跟需要下载js文件有关 待优化,不过听说htmlunit对js支持不太好
3.试了几个版本发现都需要httpclient 4.5.2版本。 htmlunit最后用的 2.25最新版的。