事先声明
笔者最近需要查看一些数据，自己挨个找太麻烦了，于是简单的学了一下爬虫。笔者在这里声明，爬的数据只为学术用，没有其他用途，希望来这篇文章学习的同学能抱有同样的目的。
枪本身不坏，坏的是使用枪的人
效果
基于JAVA语言实现爬取js渲染后的页面，详细教程
下载ChromeDriver
查看自己的Chrome版本，过高需要卸载再下载
在地址栏键入
chrome://version/
查看版本
下载ChromeDrive以及相对应的Chrome
ChromeDriver的版本需要仔细考究，一个ChromeDriver版本对应一个Chrome版本，由于Chrome版本更新太快，最近已经到119.xx了，ChromeDriver最高支持版本才115.xx， 因此我们要先把本地的Chrome卸载，然后下载相应的历史版本
Chrome历史版本1
Chrome历史版本2 版本更多更全面
ChromeDriver历史版本
笔者以114为例子
点击后会进入下载页，里面有windows版本以及note.txt,在txt文件中会写有支持哪个Chrome版本
我上面给出的Chrome历史版本1中没有114版本，在历史版本2中有，可以自行去下载
禁止Chrome自动升级
由于Chrome更新太快，ChromeDriver跟不上，并且Chrome总是自动升级，这里给出禁止Chrome自动升级的解决办法1。
第一步：禁用任务计划
首先是【右键计算机->管理】，在【计算机管理(本地)->系统工具->任务计划程序->任务计划程序库】中找到两个和Google自动更新相关的任务计划【GoogleUpdateTaskMachineCore】与【GoogleUpdateTaskMachineUA】，并把它俩禁用掉。
第二步：禁用更新服务
然后在下方的【服务和应用程序->服务】中，找到两个和Google更新相关的服务【Google更新服务(gupdate)】、【Google更新服务(gupdatem)】，并右键，选择属性，把启动类型改为禁用。如果没有找到的可以略过。
第三步：重命名更新程序
完成上面两步后理论上就可以停止Chrome的自动更新了，不过有网友说这么做之后，不要在Chrome中点击【帮助->关于Google Chrome】
这里笔者尝试过，确实有这种情况，为了避免，我们可以修改他的update.exe的名字：
笔者给出自己电脑上update的地址:（没有修改Chrome默认安装地址）
C:\Program Files (x86)\Google\Update
修改这个名字，如果你在这个位置没有找到，可以参考资料1的位置
到这里就结束了，在地址栏键入
chrome://version/
查看当前版本
不过笔者没有再尝试在Chrome中点击【帮助->关于Google Chrome】是否会更新，大胆的小伙伴可以试试
使用IDEA实现爬取js渲染后的页面
爬取的页面: 国家统计局发布的数据
相应的版本
SpringBoot 2.6.13
Webmagic: 0.8.0
Selenium-java 3.141.59
现在SpringInitializer已经不支持SpringBoot2.x了，你可以升级使用SpringBoot3，再使用下面代码或者参考我另一篇文章使用SpringBoot2：Spring Initializer 已经不支持Java8，也就是SpringBoot2.x项目初始化
所需依赖
下面依赖有些你可能不需要 比如thymeleaf，不过都加上也不会报错
<dependencies>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-thymeleaf</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-web</artifactId>
</dependency>
<!--Mybatis-plus-->
<dependency>
<groupId>com.baomidou</groupId>
<artifactId>mybatis-plus-boot-starter</artifactId>
<version>3.5.1</version>
</dependency>
<dependency>
<groupId>com.baomidou</groupId>
<artifactId>mybatis-plus-generator</artifactId>
<version>3.3.2</version>
</dependency>
<dependency>
<groupId>com.baomidou</groupId>
<artifactId>mybatis-plus-extension</artifactId>
<version>3.3.2</version>
</dependency>
<dependency>
<groupId>com.baomidou</groupId>
<artifactId>mybatis-plus-extension</artifactId>
<version>3.5.1</version>
</dependency>
<dependency>
<groupId>com.mysql</groupId>
<artifactId>mysql-connector-j</artifactId>
<scope>runtime</scope>
</dependency>
<!-- https://mvnrepository.com/artifact/us.codecraft/webmagic-extension -->
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-extension</artifactId>
<exclusions>
<exclusion>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-log4j12</artifactId>
</exclusion>
</exclusions>
<version>0.8.0</version>
</dependency>
<!-- https://mvnrepository.com/artifact/com.google.guava/guava -->
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>32.1.3-jre</version>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-configuration-processor</artifactId>
<optional>true</optional>
</dependency>
<dependency>
<groupId>org.projectlombok</groupId>
<artifactId>lombok</artifactId>
<optional>true</optional>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-test</artifactId>
<scope>test</scope>
</dependency>
<!--模拟浏览器行为-->
<!-- https://mvnrepository.com/artifact/org.seleniumhq.selenium/selenium-java -->
<dependency>
<groupId>org.seleniumhq.selenium</groupId>
<artifactId>selenium-java</artifactId>
</dependency>
</dependencies>
修改maven的镜像地址
下载semenium的依赖需要的时间会比较长，而且下载webmagic依赖的时候有些包在阿里云Central镜像下找不到, 需要修改为all
打开配置文件
修改完保存即可
具体实现
建议
再看下面代码之前，还是要有一定的webmagic基础的，推荐BiliBili上一个教程，只需要两个多小时就能理解webmagic的工作流程Java爬虫案例实战-webmagic（第二话） 2021最新
WebMagic
从图中可以看到Spider是爬虫启动的关键入口。
我们要做的就是自定义一个xxPageProcessor，实现PageProcessor接口，重写两个方法
Site, process。
在process方法中将抓取到的url地址添加到scheduler队列中，图中一个request其实是一个url地址，并不是http的请求；
其中resultItems保存的是向pipeline中写入的数据，是一个linkedhash结构
pipeline是输出的关键，可以向控制台中输出，也可以自定义一个pipeline，向数据库中写入信息
Scheduler默认是内存队列，可以修改为redis队列（成本高）
Download我这里没有自定义，不过官网给出了自定义的方法，感兴趣的可以看看
一个简单的demo
/**
* @Author：sichenyong
* @Email: sichenyongwork@163.com
* @Package：com.scy
* @Project：crawer
* @Date：2023/12/2 19:45
* @description：使用css选择器解析
*/
@Slf4j
public class MyPageProcessor2 implements PageProcessor {
public void process(Page page) {
Html html = page.getHtml();
String title = html.css("title", "text").get();
log.info("title is {}", title);
page.putField("title", title);
String s = html.css("a", "href").get();
// 向resultItems中写入数据
page.putField("a", s);
List<String> all = html.css("a", "href").all();
page.putField("allLinks", all);
page.putField("html",html);
}
public Site getSite() {
return Site.me();
}
public static void main(String[] args) {
MyPageProcessor2 myPageProcessor2 = new MyPageProcessor2();
Spider.create(myPageProcessor2).addUrl("https://www.stats.gov.cn/sj/sjjd/202311/t20231115_1944598.html")
.start();
}
}
实现思路
相较于webmagic的架构，我们只需要在process方法中使用selenium的解析方法获取js加载后的数据就可以
使用Selenium解析js渲染后的页面信息
-
首先定义初始化chromedriver的函数
private String devicePath = "D:\\SoftWare\\environemnt\\chromeDriver\\chromedriver.exe"; private ChromeDriver webDriver; void setUp(){ System.getProperties().setProperty("webdriver.chrome.driver",devicePath); ChromeOptions options = new ChromeOptions(); options.addArguments("--headless"); webDriver = new ChromeDriver(options); webDriver.manage().timeouts().implicitlyWait(5, TimeUnit.SECONDS); } -
实现解析函数
/** * @description:解析js加载后的页面，获取相关信息 * @author: sichenyong * @email: sichenyongwork@163.com * @date: 2023/12/4 16:43 * @param: [page] * @return: com.example.entity.UsefulMessage **/ UsefulMessage parseJS(Page page) { UsefulMessage usefulMessage = new UsefulMessage(); String url = page.getUrl().get(); webDriver.get(url); // 获取所有的a标签地址 List<WebElement> aElements = webDriver.findElements(By.cssSelector("div.list-content > ul > li > a.fl.mhide.pc1200")); if (aElements.size() > 0) { List<String> hrefValue = new ArrayList<>(); for (WebElement aElement : aElements) { hrefValue.add(aElement.getAttribute("href")); } // 设置列表地址 usefulMessage.setHrefs(hrefValue); // 设置是否是列表页 usefulMessage.setListPage(true); // 获取下一页的地址 WebElement element = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.wrapper-list-right > div.list-pager.mhide > a.next")); String nextUrl = element.getAttribute("href"); //设置下一页的url地址 usefulMessage.setNextPageUrl(nextUrl); log.info("===下一页地址===" + nextUrl); String column = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.wrapper-list-left.mhide > div > ul > li.active")).getText(); // 设置栏目 usefulMessage.setColumn(column); } webDriver.quit(); return usefulMessage; } -
完整代码
/** * @Author：sichenyong * @Email: sichenyongwork@163.com * @Package：com.example.component * @Project：selenium * @Date：2023/12/3 22:02 * @description：使用selenium解析js加载之后的页面信息 * @Version：1.0 由于笔者没有学过设计模式，因此写的代码有些冗余，见谅。 */ @Slf4j public class SeleniumProcessor { //下载的ChromeDriver地址 private String devicePath = "D:\\SoftWare\\environemnt\\chromeDriver\\chromedriver.exe"; private ChromeDriver webDriver; void setUp(){ System.getProperties().setProperty("webdriver.chrome.driver",devicePath); ChromeOptions options = new ChromeOptions(); options.addArguments("--headless"); webDriver = new ChromeDriver(options); webDriver.manage().timeouts().implicitlyWait(5, TimeUnit.SECONDS); } /** * @description:解析js加载后的页面，获取相关信息 * @author: sichenyong * @email: sichenyongwork@163.com * @date: 2023/12/4 16:43 * @param: [page] * @return: com.example.entity.UsefulMessage **/ UsefulMessage parseJS(Page page) { // 自定义的实体类，保存自己向要的js生成的信息 UsefulMessage usefulMessage = new UsefulMessage(); String url = page.getUrl().get(); webDriver.get(url); // 获取所有的a标签地址 List<WebElement> aElements = webDriver.findElements(By.cssSelector("div.list-content > ul > li > a.fl.mhide.pc1200")); if (aElements.size() > 0) { List<String> hrefValue = new ArrayList<>(); for (WebElement aElement : aElements) { hrefValue.add(aElement.getAttribute("href")); } // 设置列表地址 usefulMessage.setHrefs(hrefValue); // 设置是否是列表页 usefulMessage.setListPage(true); // 获取下一页的地址 WebElement element = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.wrapper-list-right > div.list-pager.mhide > a.next")); String nextUrl = element.getAttribute("href"); //设置下一页的url地址 usefulMessage.setNextPageUrl(nextUrl); log.info("===下一页地址===" + nextUrl); String column = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.wrapper-list-left.mhide > div > ul > li.active")).getText(); // 设置栏目 usefulMessage.setColumn(column); } webDriver.quit(); return usefulMessage; } /** * @description: 解析网页的数据 * parse可以根据需要进行修改，爬取你想要的 * @author: sichenyong * @email: sichenyongwork@163.com * @date: 2023/12/4 14:20 * @param: [page, filterTitle] * @return: void **/ void parse(Page page, String filterTitle, String column) { try { // 获取url String url = page.getUrl().get(); webDriver.get(url); // 获取标题 String title = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.detail-title > h1")).getText(); if (title.contains(filterTitle)) { // 创建数据库实体 Stats stats = new Stats(); // 读入当前页的url stats.setPubUrl(url); // 读入title stats.setWebTitle(title); // 读入栏目 stats.setPubColumn(column); // 获取数据来源 WebElement source = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.detail-title > div > h2:nth-child(1) > span")); String pubSources = source.getText(); String regex = "："; if (pubSources.contains(":")) { regex = ":"; } String[] strings = pubSources.split(regex); String pubSource = strings[strings.length-1]; stats.setPubSource(pubSource); // 获取发布时间 String pubTime = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.detail-title > div > h2:nth-child(1) > p")).getText(); pubTime = pubTime.replaceAll("/","-"); stats.setPubTime(pubTime); // 存入数据库 page.putField("stats",stats); } else { log.error("文章\"" + title + "\"中不包含关键字:{}", filterTitle); page.getResultItems().setSkip(true); } } catch (Exception e) { e.printStackTrace(); } finally { webDriver.quit(); } } /** * @description: 需要过滤的数据有多个 * @author: sichenyong * @email: sichenyongwork@163.com * @date: 2023/12/4 14:21 * @param: [page, filterTitles] * @return: void **/ void parse(Page page, List<String> filterTitles,String column) { try { // 获取url String url = page.getUrl().get(); webDriver.get(url); // 获取标题 String title = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.detail-title > h1")).getText(); if (support(title, filterTitles)) { // 创建数据库实体 Stats stats = new Stats(); // 读入当前页的url stats.setPubUrl(url); // 读入title stats.setWebTitle(title); // 读入栏目 stats.setPubColumn(column); // 获取数据来源 WebElement source = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.detail-title > div > h2:nth-child(1) > span")); String pubSources = source.getText(); String regex = "："; if (pubSources.contains(":")) { regex = ":"; } String[] strings = pubSources.split(regex); String pubSource = strings[strings.length-1]; stats.setPubSource(pubSource); // 获取发布时间 String pubTime = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.detail-title > div > h2:nth-child(1) > p")).getText(); pubTime = pubTime.replaceAll("/","-"); stats.setPubTime(pubTime); // 存入数据库 page.putField("stats",stats); } else { log.error("文章\"" + title + "\"中不包含关键字:{}", filterTitles); page.getResultItems().setSkip(true); } } catch (Exception e) { e.printStackTrace(); } finally { webDriver.quit(); } } /** * @description:判断title是否在想要的列表中 * @author: sichenyong * @email: sichenyongwork@163.com * @date: 2023/12/4 14:28 * @param: [title, filterTitles] * @return: boolean **/ boolean support(String title, @NotNull List<String> filterTitles) { for (String filterTitle : filterTitles) { if (title.contains(filterTitle)) { return true; } } return false; } }
重写自定义pageProcessor的process方法
/**
* @Author：sichenyong
* @Email: sichenyongwork@163.com
* @Package：com.scy.component
* @Project：stats
* @Date：2023/12/3 13:25
* @description：
*/
@AllArgsConstructor
@NoArgsConstructor
@Data
@Slf4j
public class StatsPageProcessor implements PageProcessor {
/**
* @description: 过滤标题文章，保存含有filterTitle的文章
* demo: filterTitle = "Java"
* 函数会自动保存所有含有Java的文章，将不含有java的文章过滤掉
* @author: sichenyong
* @email: sichenyongwork@163.com
* @date: 2023/12/3 14:03
**/
protected String filterTitle="";
protected List<String> filterTitles;
private String column;
@Override
public void process(Page page) {
SeleniumProcessor seleniumProcessor1 = new SeleniumProcessor();
seleniumProcessor1.setUp();
// 获取解析js后的网页信息
UsefulMessage usefulMessage = seleniumProcessor1.parseJS(page);
// 是列表页
if (usefulMessage.isListPage()) {
// 获取所有的链接
List<String> links = usefulMessage.getHrefs();
// 传给Scheduler
page.addTargetRequests(links);
// 解析下一页
String nextPage = usefulMessage.getNextPageUrl();
page.addTargetRequest(nextPage);
column = usefulMessage.getColumn();
// 列表页面的数据不写入数据库
page.getResultItems().setSkip(true);
}
else {
// 详情页面写入数据库
// parseStats(page);
SeleniumProcessor seleniumProcessor = new SeleniumProcessor();
seleniumProcessor.setUp();
if (filterTitles == null) {
seleniumProcessor.parse(page, filterTitle, column);
}
else {
seleniumProcessor.parse(page, filterTitles, column);
}
}
}
/**
* @description: 解析详情页面 - 无法解析js加载的页面
* @Deprecated
* @param: page
* @return: void
* @author: sichenyong
* @email: sichenyongwork@163.com
* @date: 2023/12/3 14:04
**/
@Deprecated
private void parseStats(Page page) {
Html html = page.getHtml();
// 获取页面的标题
String title = html.css("body > div > div.wrapper-content > div > div.detail-title > h1","text").get();
// 如果文章中包含filterTitle，则保存文章
if (title.contains(filterTitle)) {
Stats stats = new Stats();
//获取当前页面的url
String currentUrl = page.getUrl().get();
// 获取当前页面的pubtime
String pubTime = html.css("body > div > div.wrapper-content > div > div.detail-title > div > h2:nth-child(1) > p", "text").get();
// 获取页面的来源
String pubSources = html.xpath("/html/body/div/div[3]/div/div[1]/div/h2[1]/span/text()").get();
String regex = "：";
if (pubSources.contains(":")) {
regex = ":";
}
String[] strings = pubSources.split(regex);
String pubSource = strings[strings.length-1];
stats.setWebTitle(title);
stats.setPubUrl(currentUrl);
stats.setPubSource(pubSource);
stats.setPubTime(pubTime);
// 写入数据库
page.putField("stats",stats);
}
}
@Override
public Site getSite() {
Site site = new Site();
// 设置重试间隔时间
site.setRetryTimes(3);
site.setRetrySleepTime(3000);
site.setSleepTime(3000);
return site;
}
}
项目代码
这里笔者使用的是阿里云云效Code代码托管平台,项目地址
8318
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
