初始数据采集

chromedriver驱动的淘宝镜像的地址： CNPM Binaries Mirror

java的jar包网址集合： http://selenium-release.storage.googleapis.com/index.html

springboot需要引入依赖：

    org.seleniumhq.selenium
    selenium-java
    3.9.0

image.gif

以下代码环境为：谷歌浏览器 75.0.3770.100(正式版本64 位)，驱动chromedriver为75.0.3770.90，jar包为3.9.0。

OK，准备工作完成，让我们开始爬虫，首先来个简单的例子：

public static void main(String[] args) {
    System.getProperties().setProperty("webdriver.chrome.driver","D:/chromedriver_win32/chromedriver.exe");
    //开启webDriver进程
    WebDriver webDriver = new ChromeDriver();
    webDriver.get("http://www.baidu.com");
    webDriver.close();
    webDriver.quit();
}

image.gif

加载驱动，打开浏览器，打开百度，关闭。

下面来点儿复杂的，下面是通过ID找到百度首页的输入框，输入“js”点击搜索：

webDriver.findElement(By.id("kw")).sendKeys(new String[] {"js"});
webDriver.findElement(By.id("kw")).click();

image.gif

官方API地址： Generated Documentation (Untitled)

获取页面元素的8中方法：

by.Id("kw") //通过ID获取

by.name("kw") //通过name属性获取

by.tagName("kw") //通过标签名获取

by.className("kw") //通过css的class名获取

by.linkText("kw") //通过a标签的内容获取a标签

by.partialLinkText("w") //上一个方法的扩展，通过a标签的部分内容匹配

by.cssSelector("kw") //通过css选择器匹配

by.XPath("")比较特殊，可以匹配任意的页面的元素

下面是相对路径的引用写法：
查找页面根元素：//
查找页面上所有的input元素：//input
查找页面上第一个form元素内的直接子input元素(即只包括form元素的下一级input元素)：//form/input
查找页面上第一个form元素内的所有子input元素(只要在form元素内的input都算，不管还嵌套了多少个其他标签，使用相对路径表示，双//号)：//form//input
查找页面上第一个form元素：//form
查找页面上id为loginForm的form元素：//form[@id='loginForm']
查找页面上具有name属性为username的input元素：//input[@name='username']
查找页面上id为loginForm的form元素下的第一个input元素：//form[@id='loginForm']/input[1]
查找页面具有name属性为contiune并且type属性为button的input元素：//input[@name='continue'][@type='button']
查找页面上id为loginForm的form元素下第4个input元素：//form[@id='loginForm']/input[4]
以百度主页为例，搜索框的HTML示例代码如下，其xpath为//*[@id=''kw]。

tess4j版本大全：https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j

官网：Tess4J - JNA wrapper for Tesseract

用法说明：Tess4J