一、应用场景和思路
简单的说,Htmlunit相当与一个没有显示界面的浏览器,所以可以模拟执行点击、输入等操作;而 Jsoup则是一个页面解析器,用于定位元素并提取内容。
它们的优缺点:
Htmlunit:
优:适用于需要登录、搜索、点击等多步操作才能到达爬取页面的网站,不需要面对cookie登陆会失效的问题。
缺:需要根据不同网站“定制”,比较耗时。但是在完成定制后,除非网站发生改动,可以一直使用。
Jsoup:
优:适用于多样传输数据的网站,不需要抓包。
缺:也需要根据网站“定制”,也是完成后可以一直使用。
总结来说,这样的方案可以用在任何网站上,但是需要“定制”,无法泛用。
一般的思路就是通过Htmlunit到达爬取页面,然后用Jsoup解析,定位到爬取元素并获取数据,将数据保存到数据库。
二、Htmlunit的方法
Htmlunit方法需要try/catch环绕。
初始化:这里一个WebClient就是一个浏览器。
WebClient webClient;
public Crawler(){
webClient = new WebClient(BrowserVersion.CHROME);//新建一个模拟谷歌Chrome浏览器的浏览器客户端对象
webClient.getOptions().setThrowExceptionOnScriptError(false);//当JS执行出错的时候是否抛出异常, 这里选择不需要
webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);//当HTTP的状态非200时是否抛出异常, 这里选择不需要
webClient.getOptions().setActiveXNative(false);
webClient.getOptions().setCssEnabled(false);//是否启用CSS, 因为不需要展现页面, 所以不需要启用
webClient.getOptions().setJavaScriptEnabled(true); //很重要,启用JS。有些网站要开启!
webClient.setAjaxController(new NicelyResynchronizingAjaxController());//很重要,设置支持AJAX
webClient.getOptions().setTimeout(30000);
}
关闭Htmlunit在控制台输出的一大堆警告: