现在绝大多数网页都是动态生成的,那么学习爬虫就意味着更加困难。若是静态网页,只需要了解如何连接网络和分析网页源代码提取标签信息即可,但是动态网页的话,就需要使用到一些特定的框架来爬取了。比较实用的爬取动态网页信息的其中一个工具就是selenium了。先来看看要怎样使用webmagic和selenium来模拟浏览器启动吧。
代码如下所示:
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.downloader.selenium.SeleniumDownloader;
import us.codecraft.webmagic.processor.example.GithubRepoPageProcessor;
public class LiuLanQiTest {
public static void main(String[] args) {
// TODO Auto-generated method stub
//selenium系统配置,其中的路径写自己config文件的路径
System.setProperty("selenuim_config", "D:\\jse-workspace\\WebMagicTest\\Study\\src\\main\\java\\Four\\config.ini");
Spider.create(new GithubRepoPageProcessor())//调用一个webmagic中封装好的一个网页爬取类
.addUrl("http://www.baidu.com")//要爬取的网页
//浏览器驱动(动态网页信息通过模拟浏览器启动获取)
.setDownloader(new SeleniumDownloader("D:\\ChromeDriver\\chromedriver_win32(2)\\chromedriver.exe"))
.t