jsoup+htmlUnit可以实现抓取执行过js的html页面

1:背景

  本来想用jsoup去抓取一个页面但是抓取的数据总是不全,然后发现有的数据是页面执行过js之后渲染到页面上的,也就是说只有执行过js之后数据页面上才会显示数据,但是jsoup并不能实现执行页面的js。

 

2:解决

  搜索后发现htmlunit网络工具可以实现执行js,他是一个相当于一个没有页面的浏览器,解决方案就是先使用htmlUnit发送网络请求,执行js获取页面然后利用jsoup再转换为Document页面对象,然后使用jsoup分析页面读取数据。

 

3:htmlUnit发送请求

 1 public static Document getDocument() throws IOException, InterruptedException{
 2         /*String url="https://www.marklines.com/cn/vehicle_sales/search_country/search/?searchID=587200";
 3         Connection connect = Jsoup.connect(url).userAgent("")
 4                 .header("Cookie", "PLAY_LANG=cn; _plh=b9289d0a863a8fc9c79fb938f15372f7731d13fb; PLATFORM_SESSION=39034d07000717c664134556ad39869771aabc04-_ldi=520275&_lsh=8cf91cdbcbbb255adff5cba6061f561b642f5157&csrfToken=209f20c8473bc0518413c226f898ff79cd69c3ff-1539926671235-b853a6a63c77dd8fcc364a58&_lpt=%2Fcn%2Fvehicle_sales%2Fsearch&_lsi=1646321; _ga=GA1.2.2146952143.1539926675; _gid=GA1.2.1032787565.1539926675; _plh_notime=8cf91cdbcbbb255adff5cba6061f561b642f5157")
 5                 .timeout(360000000);
 6         Document document = connect.get();*/
 7         WebClient wc = new WebClient(BrowserVersion.CHROME);
 8         //是否使用不安全的SSL
 9         wc.getOptions().setUseInsecureSSL(true);
10         //启用JS解释器,默认为true
11         wc.getOptions().setJavaScriptEnabled(true);
12         //禁用CSS
13         wc.getOptions().setCssEnabled(false);
14         //js运行错误时,是否抛出异常
15         wc.getOptions().setThrowExceptionOnScriptError(false);
16         //状态码错误时,是否抛出异常
17         wc.getOptions().setThrowExceptionOnFailingStatusCode(false);
18         //是否允许使用ActiveX
19         wc.getOptions().setActiveXNative(false);
20         //等待js时间
21         wc.waitForBackgroundJavaScript(600*1000);
22         //设置Ajax异步处理控制器即启用Ajax支持
23         wc.setAjaxController(new NicelyResynchronizingAjaxController());
24         //设置超时时间
25         wc.getOptions().setTimeout(1000000);
26         //不跟踪抓取
27         wc.getOptions().setDoNotTrackEnabled(false);
28          WebRequest request=new WebRequest(new URL("https://www.marklines.com/cn/vehicle_sales/search_country/search/?searchID=587200"));
29          request.setAdditionalHeader("User-Agent", "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:62.0) Gecko/20100101 Firefox/62.0");
30          request.setAdditionalHeader("Cookie","PLAY_LANG=cn; _plh=b9289d0a863a8fc9c79fb938f15372f7731d13fb; PLATFORM_SESSION=39034d07000717c664134556ad39869771aabc04-_ldi=520275&_lsh=8cf91cdbcbbb255adff5cba6061f561b642f5157&csrfToken=209f20c8473bc0518413c226f898ff79cd69c3ff-1539926671235-b853a6a63c77dd8fcc364a58&_lpt=%2Fcn%2Fvehicle_sales%2Fsearch&_lsi=1646321; _ga=GA1.2.2146952143.1539926675; _gid=GA1.2.1032787565.1539926675; _plh_notime=8cf91cdbcbbb255adff5cba6061f561b642f5157");
31         try {
32             //模拟浏览器打开一个目标网址
33             HtmlPage htmlPage = wc.getPage(request);
34             //为了获取js执行的数据 线程开始沉睡等待
35             Thread.sleep(1000);//这个线程的等待 因为js加载需要时间的
36             //以xml形式获取响应文本
37             String xml = htmlPage.asXml();
38             //并转为Document对象return
39             return Jsoup.parse(xml);
40             //System.out.println(xml.contains("结果.xls"));//false
41         } catch (FailingHttpStatusCodeException e) {
42             e.printStackTrace();
43         } catch (MalformedURLException e) {
44             e.printStackTrace();
45         } catch (IOException e) {
46             e.printStackTrace();
47         }
48         return null;
49     }

 

4:返回的Document对象交给jsoup进行处理

  在这里只做了一个简单的输出,查看了一下数据是否渲染全部。

 1 Document doc=getDocument();
 2         Element table=doc.select("table.table.table-bordered.aggregate_table").get(0);//获取到表格
 3         Element tableContext=table.getElementsByTag("tbody").get(0);
 4         Elements contextTrs=tableContext.getElementsByTag("tr");
 5         System.out.println(contextTrs.size());
 6         
 7         
 8         String context=doc.toString();
 9         OutputStreamWriter pw = null;
10         pw = new OutputStreamWriter(new FileOutputStream("D:/test.txt"),"GBK");
11         pw.write(context);
12         pw.close();

 

转载于:https://www.cnblogs.com/GH0522/p/9854593.html

你可能感兴趣的:(jsoup+htmlUnit可以实现抓取执行过js的html页面)