浅谈HtmlUnit的使用

一、htmlunit 是一款开源的java 页面分析工具，读取页面后，可以有效的使用htmlunit分析页面上的内容。项目可以模拟浏览器运行，被誉为java浏览器的开源实现。这个没有界面的浏览器，运行速度也是非常迅速的。

二、下载地址：http://sourceforge.net/projects/htmlunit/?source=directory 

三、访问指定页面

　　网络爬虫第一个要面临的问题，就是如何抓取网页，抓取其实很容易，没你想的那么复杂，一个开源HtmlUnit包，4行主要代码就OK啦！

 1 import java.io.IOException;
 2 import java.net.MalformedURLException;
 3 import com.gargoylesoftware.htmlunit.FailingHttpStatusCodeException;
 4 import com.gargoylesoftware.htmlunit.WebClient;
 5 import com.gargoylesoftware.htmlunit.html.HtmlPage;
 6 
 7 public class Main {
 8 
 9     public static void main(String[] args) throws FailingHttpStatusCodeException, MalformedURLException, IOException {
10         // TODO Auto-generated method stub
11         final WebClient mWebClient = new WebClient();
12         final HtmlPage mHtmlPage = mWebClient.getPage("http://www.baidu.com");
13         System.out.println(mHtmlPage.asText());
14         mWebClient.closeAllWindows();
15     }
16 
17 }

运行结果：

 1 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.javascript.StrictErrorReporter runtimeError
 2 严重: runtimeError: message=[An invalid or illegal selector was specified (selector: ':checked' error: Invalid selector: *:checked).] sourceName=[http://s1.bdstatic.com/r/www/cache/static/jquery/jquery-1.10.2.min_f2fb5194.js] line=[14] lineSource=[null] lineOffset=[0]
 3 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.javascript.StrictErrorReporter runtimeError
 4 严重: runtimeError: message=[An invalid or illegal selector was specified (selector: ':enabled' error: Invalid selector: *:enabled).] sourceName=[http://s1.bdstatic.com/r/www/cache/static/jquery/jquery-1.10.2.min_f2fb5194.js] line=[14] lineSource=[null] lineOffset=[0]
 5 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.javascript.StrictErrorReporter runtimeError
 6 严重: runtimeError: message=[The data necessary to complete this operation is not yet available.] sourceName=[http://s1.bdstatic.com/r/www/cache/static/jquery/jquery-1.10.2.min_f2fb5194.js] line=[10] lineSource=[null] lineOffset=[0]
 7 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler error
 8 警告: CSS error: 'http://www.baidu.com/' [1:81] Error in expression. (Invalid token ";". Was expecting one of: , , "inherit", , , , , , , , , , , , , , , , , , , , , , , , "-".)
 9 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler error
10 警告: CSS error: 'http://www.baidu.com/' [1:143] Error in style rule. (Invalid token "*". Was expecting one of: , , , "}", ";".)
11 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler warning
12 警告: CSS warning: 'http://www.baidu.com/' [1:143] Ignoring the following declarations in this rule.
13 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler error
14 警告: CSS error: 'http://www.baidu.com/' [1:339] Error in expression. (Invalid token ";". Was expecting one of: , , "inherit", , , , , , , , , , , , , , , , , , , , , , , , "-".)
15 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler error
16 警告: CSS error: 'http://www.baidu.com/' [2:204] Error in declaration. (Invalid token "normal". Was expecting one of: , ":".)
17 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler error
18 警告: CSS error: 'http://www.baidu.com/' [2:970] Error in style rule. (Invalid token "*". Was expecting one of: , , , "}", ";".)
19 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler warning
20 警告: CSS warning: 'http://www.baidu.com/' [2:970] Ignoring the following declarations in this rule.
21 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler error
22 警告: CSS error: 'http://www.baidu.com/' [4:856] Error in style rule. (Invalid token "*". Was expecting one of: , , , "}", ";".)
23 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler warning
24 警告: CSS warning: 'http://www.baidu.com/' [4:856] Ignoring the following declarations in this rule.
25 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler error
26 警告: CSS error: 'http://www.baidu.com/' [4:1016] Error in style rule. (Invalid token "*". Was expecting one of: , , , "}", ";".)
27 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler warning
28 警告: CSS warning: 'http://www.baidu.com/' [4:1016] Ignoring the following declarations in this rule.
29 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler error
30 警告: CSS error: 'http://www.baidu.com/' [5:68] Error in style rule. (Invalid token "*". Was expecting one of: , , , "}", ";".)
31 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler warning
32 警告: CSS warning: 'http://www.baidu.com/' [5:68] Ignoring the following declarations in this rule.
33 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler error
34 警告: CSS error: 'http://www.baidu.com/' [6:751] Error in style rule. (Invalid token "*". Was expecting one of: , , , "}", ";".)
35 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler warning
36 警告: CSS warning: 'http://www.baidu.com/' [6:751] Ignoring the following declarations in this rule.
37 二月 03, 2015 11:46:02 上午 com.gargoylesoftware.htmlunit.DefaultCssErrorHandler error
38 警告: CSS error: 'http://www.baidu.com/' [8:127] Error in expression; ':' found after identifier "progid".
39 二月 03, 2015 11:46:03 上午 com.gargoylesoftware.htmlunit.IncorrectnessListenerImpl notify
40 警告: Obsolete content type encountered: 'text/javascript'.
41 二月 03, 2015 11:46:03 上午 com.gargoylesoftware.htmlunit.IncorrectnessListenerImpl notify
42 警告: Obsolete content type encountered: 'text/javascript'.
43 百度一下，你就知道
44 百度一下
45 新闻hao123地图视频贴吧登录设置更多产品
46 把百度设为主页关于百度About Baidu
47 ©2015 Baidu 使用百度前必读 京ICP证030173号 

运行结果

 在上面的程序运行的过程中，我们可以得到百度首页的所有内容，上面的代码在运行的过程中会出现很多的警告，出现这些警告的主要原因是由于以下两种原因：

1、HtmlUnit对Javascript的支持不是很好
2、HtmlUnit对CSS的支持不是很好

　　明白了上面的两点后，将代码重新改写一下，该禁用的就禁用，同时禁用一些不必要的功能，也有利于提高程序的运行效率，再者说网络爬虫也不需要CSS的支持。

 1 import java.io.IOException;
 2 import java.net.MalformedURLException;
 3 import com.gargoylesoftware.htmlunit.FailingHttpStatusCodeException;
 4 import com.gargoylesoftware.htmlunit.WebClient;
 5 import com.gargoylesoftware.htmlunit.html.HtmlPage;
 6 
 7 public class Main {
 8 
 9     public static void main(String[] args) throws FailingHttpStatusCodeException, MalformedURLException, IOException {
10         // TODO Auto-generated method stub
11         final WebClient mWebClient = new WebClient();
12         mWebClient.getOptions().setCssEnabled(false);
13         mWebClient.getOptions().setJavaScriptEnabled(false);
14         final HtmlPage mHtmlPage = mWebClient.getPage("http://www.baidu.com");
15         System.out.println(mHtmlPage.asText());
16         mWebClient.closeAllWindows();
17     }
18 
19 }

 1 百度一下，你就知道
 2 搜索设置 | 登录
 3 新 闻 网 页 贴 吧 知 道 MP3 图 片 视 频 地 图
 4 百度一下
 5 输入法
 6 手写
 7 拼音
 8 关闭
 9 空间 百科 hao123 | 更多>>
10 把百度设为主页
11 加入百度推广 | 搜索风云榜 | 关于百度 | About Baidu
12 ©2014 Baidu 使用百度前必读 京ICP证030173号

运行结果

　　HtmlUnit的使用: 简介:HtmlUnit说白了就是一个浏览器，这个浏览器是用Java写的无界面的浏览器，正因为其没有界面,因此执行的速度还是可以滴，HtmlUnit提供了一系列的API,这些API可以干的功能比较多，如表单的填充，表单的提交，模仿点击链接，由于内置了Rhinojs引擎，因此可以执行Javascript

　　作用:web的自动化测试(最初的目的),浏览器，网络爬虫

　　重要API的使用 在介绍API的使用之前要先明白的一个问题是，WebClient,WebWindow,Page三者之间的关系，所有的页面最终都是在一个WebWindow对象里面，WebClient在创建时会自动的创建一个WebWindow对象，当调用getPage时会将新页面加载到WebWindow里，你可以理解成WebClient就是IE内核，WebWindow就是呈现页面的浏览器窗口，三者之间的关系图如下图所示：

　　1、模拟特定浏览器，也可以指定浏览器的相应版本(HtmlUnit最新版2.13现在可以模拟的浏览器有Chrome/FireFox/IE)

//模拟chorme浏览器，其他浏览器请修改BrowserVersion.后面
final WebClient mWebClient = new WebClient(BrowserVersion.CHROME);

　　2、查找特定元素，通过get或者XPath可以从HtmlPage中获得特定的Html元素，如下例子
　　方法一，通过get方法获取

 1 import java.io.IOException;
 2 import java.net.MalformedURLException;
 3 
 4 import com.gargoylesoftware.htmlunit.BrowserVersion;
 5 import com.gargoylesoftware.htmlunit.FailingHttpStatusCodeException;
 6 import com.gargoylesoftware.htmlunit.WebClient;
 7 import com.gargoylesoftware.htmlunit.html.HtmlDivision;
 8 import com.gargoylesoftware.htmlunit.html.HtmlPage;
 9 
10 public class Main {
11 
12     public static void main(String[] args) throws FailingHttpStatusCodeException, MalformedURLException, IOException {
13         // TODO Auto-generated method stub
14         final WebClient mWebClient = new WebClient(BrowserVersion.CHROME);
15         mWebClient.getOptions().setCssEnabled(false);
16         mWebClient.getOptions().setJavaScriptEnabled(false);
17         final HtmlPage mHtmlPage = mWebClient.getPage("http://www.yanyulin.info/");
18         //从[烟雨林博客]上获取标签hed的内容
19         HtmlDivision mdiv = (HtmlDivision)mHtmlPage.getElementById("hed");
20         System.out.println(mdiv.asText());
21         mWebClient.closeAllWindows();
22     }
23 
24 }

　　方法二，通过XPath获取，XPath通常用于无法通过Id搜索，或者需要更为复杂的搜索时，XPath的相关教程。

1         // 同样可以打印出hed的内容,//div中//表示搜索整个文档中的div,并将这些div
2         // 放入list中，然后获取第一个div
3         HtmlDivision mdiv = (HtmlDivision) mHtmlPage.getByXPath("//div").get(0);
4         System.out.println(mdiv.asXml());

运行结果：

 1 

 2   
class="top_part">
 3     

 4       
 5         
 6       
 7     
 8     

 9       
class="side_search">
10         
class="bdcs-search-form" id="bdcs-search-form">
11           
12           
13           class="search_input" id="bdcs-search-form-input" placeholder="找找看"/>
14           class="search_btn" id="bdcs-search-form-submit" value="找找看"/>
15         
16       
17       
class="side_search" style="margin-top:4px">
18         

19           class="search_input" placeholder="Google一下"/>
20           class="search_btn" title="Google"/>
21           
22           
23           
24           
25           
26         
27       
28     
29   
30 

运行结果

　　3、代理服务器的配置，代理的配置很简单，只需要配置好地址，端口，用户名与密码即可。

1         final WebClient mWebClient = new WebClient(BrowserVersion.CHROME,"http://127.0.0.1", 8080);
2         final DefaultCredentialsProvider credentialsProvider = (DefaultCredentialsProvider) mWebClient.getCredentialsProvider();
3         credentialsProvider.addCredentials("username", "password");

　　4、模拟表单的提交

 

 

 

 

++++++++++++++++

 

 

 

 

 

 

 

转载于:https://www.cnblogs.com/zhjsll/p/4269576.html