phantomjsjava_Java爬虫：Jsoup + Phantomjs

(一)Jsoup

Jsoup是一个Java开源HTML解析器，可直接解析某个URL地址、HTML文本内容。通过Dom或Css选择器来查找、取出数据，实现爬虫。

maven坐标

org.jsoup

jsoup

1.11.2

演示Demo

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

import org.jsoup.select.Elements;

import java.io.IOException;

public class JsoupDemo

{

public static void main( String[] args ) throws IOException {

Document doc = Jsoup.connect("http://www.baidu.com").get();

System.out.println("title:"+doc.title());

Elements es = doc.select("area");

//Elements es = doc.getElementByTag("area");

System.out.println("百度图片点击路径:"+es.attr("href"));

}

}

(二 )PhantomJs

PhantomJS是一个可编程的无头浏览器。通过PhantomJs可以采集Ajax生成的内容。

无头浏览器：一个完整的浏览器内核,包括js解析引擎,渲染引擎,请求处理等,但是不包括显示和用户交互页面的浏览器。

步骤：

下载安装，配置环境变量

编写并执行js脚本

演示Demo

var page = require("webpage").create(), //网页对象

system = require("system"), //系统对象

address,t;

phantom.outputEncoding='gbk'; //设置输出编码

//phantom.outputEncoding='utf-8'; //设置输出编码

var arr = system.args;

//判断参数是否传入

if(arr.length==1){

console.log("请输入待请求url");

phantom.exit(0);

} else {

address = arr[1];

console.log("开始访问页面："+address);

t = Date.now();

//访问页面

page.open(address,function(status){

if(status !== 'success'){

console.log('page faild to load.');

phantom.exit();

} else {

t = Date.now() - t;

console.log("页面访问结束：耗时："+t+"ms");

//引入jquery

page.includeJs("http://code.jquery.com/jquery-2.2.4.min.js",function(){

var result = (page.evaluate(function(){

return $('area').attr('href');

}));

console.log("图片点击路径："+result);

phantom.exit();

})

}

})

}

假设文件名为 c:/baidu.js；在命令行中执行 phantomjs c:/baidu.js http://www.baidu.com

java 调用Phantomjs

演示Demo

import java.io.*;

public class PhantomJsDemo

{

public static void main( String[] args ) throws IOException {

Runtime rn = Runtime.getRuntime();

String url = "http://www.baidu.com"

Process process = rn.exec("phantomjs c:/baidu.js " + url);

BufferedReader br = new BufferedReader(new InputStreamReader(process.getInputStream()));

StringBuffer sb = new StringBuffer();

String temp = "";

while((temp=br.readLine())!=null){

sb.append(temp);

}

System.out.println(sb.toString());

}

}