Jsoup+Htmlunit抓取图片遇到坑

Jsoup简介

Jsoup是用于解析HTML，就类似XML解析器用于解析XML。 Jsoup它解析HTML成为真实世界的HTML。

能用Jsoup实现什么？
●从URL，文件或字符串中刮取并解析HTML
●查找和提取数据，使用DOM遍历或CSS选择器
●操纵HTML元素，属性和文本
●根据安全的白名单清理用户提交的内容，以防止XSS攻击
●输出整洁的HTML

安装

       org.jsoup
       jsoup
       1.12.1
          

Htmluiit简介

htmlunit 是一款开源的java 页面分析工具,优点就是得到js执行后的值。用于抓取动态页面。

安装

        net.sourceforge.htmlunit
        htmlunit
         2.35.0

使用Jsoup+Htmlunit

public String getHtmlPageResponse(String url) throws Exception {

        //请求超时时间,默认20秒
        int timeout = 20000;
        //等待异步JS执行时间,默认20秒
        int waitForBackgroundJavaScript = 20000;
        String result = "";

        final WebClient webClient = new WebClient(BrowserVersion.CHROME);

        webClient.getOptions().setThrowExceptionOnScriptError(false);//当JS执行出错的时候是否抛出异常
        webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);//当HTTP的状态非200时是否抛出异常
        webClient.getOptions().setActiveXNative(false);
        webClient.getOptions().setCssEnabled(false);//是否启用CSS
        webClient.getOptions().setJavaScriptEnabled(true); //很重要，启用JS
        webClient.setAjaxController(new NicelyResynchronizingAjaxController());//很重要，设置支持AJAX

        webClient.getOptions().setTimeout(timeout);//设置“浏览器”的请求超时时间
        webClient.setJavaScriptTimeout(timeout);//设置JS执行的超时时间

        HtmlPage page;
        try {
            page = webClient.getPage(url);
        } catch (Exception e) {
            webClient.close();
            throw e;
        }
        webClient.waitForBackgroundJavaScript(waitForBackgroundJavaScript);//该方法阻塞线程

        result = page.asXml();
        webClient.close();

        return result;
    }

下载网页中我们想要的图片

public void  getHtmlContent(String url){
        // 发起请求
        String content = null;
        try {
            content = getHtmlPageResponse(url);
        } catch (Exception e) {
            e.printStackTrace();
        }
        // 解析网页 得到文档对象
        Document doc = Jsoup.parse(content);
        // 获取指定的 
        Elements elements = doc.select("img[src$=.png]");
        List picList = new ArrayList<>();
        for (Element element :elements){
            // 获取  的 src
            String imageUrl = element.attr("src");
            // 取到我们想要的图片
            if (imageUrl.contains(WEATHER_PIC_BASE_URL)) {
                picList.add(imageUrl);
            }
        }

        // 获取文件夹下所有文件名
        List fileNameList = getFileList(savePath);
        for(String imgUrl:picList){
            String fileName = getFileNameWihtUrl(imgUrl);
            // 图片是否存在
            boolean isPic = fileNameList.contains(fileName);
            if (!isPic) {
                 // 下载图片
            }
        }

    }

保存图片到本地

public void downloadImages(String url, String fileName,String savePath,String imageFormat,Integer headerType) {
        // 创建httpclient实例
        CloseableHttpClient httpclient = HttpClients.createDefault();

        // Http请求
        try {
            HttpGet httpGet = new HttpGet(url);
            CloseableHttpResponse pictureResponse = httpclient.execute(httpGet);
            HttpEntity pictureEntity = pictureResponse.getEntity();
            InputStream inputStream = pictureEntity.getContent();

            // 使用 common-io 下载图片到本地，注意图片名不能重复 
            FileUtils.copyToFile(inputStream, new File( savePath+ fileName + imageFormat));
            pictureResponse.close(); // pictureResponse关闭

        } catch (IOException e) {
            e.printStackTrace();
        }

    }

下载图片安装commons-io

         commons-io
         commons-io
         2.6

对于一般的网站来说。到这里能够爬取数据了，但是今天遇到一个问题，我获取了网页上所有JS执行后的动态图片链接，但是下载到本地图片损坏打不开。调试，把抓取的图片地址复制到浏览器中显示链接无效。what？？

打开网页调试工具，

屏幕快照 2019-07-11 15.27.18.png

复制Request URL重新打开一个页面一样的显示链接无效。

猜想

网页调试工具Network调试，抓取的图片双击无数次都有显示图片，但是把 Request URL复制到一个新页面就显示无效。猜想应该是访问页面的时候返回了Cookie，下载图片的时候也要把Cookie带回去验证。

解决

修改HttptClient doGet方法，addHeader尽量模拟网页的请求

 public static String doGetExpansion(String url, String charset) {
        CloseableHttpClient httpClient = HttpClients.createDefault();
        HttpGet httpGet = null;
        String result = null;
        try {
            httpGet = new HttpGet(url);
            // 设置通用的请求属性
            httpGet.addHeader("Cache-Control", "no-cache");
            httpGet.addHeader("Pragma", "no-cache");
            httpGet.addHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36");
            httpGet.addHeader("Accept", "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8");
            httpGet.addHeader("Accept-Encoding", "gzip, deflate");
            httpGet.addHeader("accept-secret", "");
            httpGet.addHeader("Accept-Language", "zh-CN,zh;q=0.9");
            httpGet.addHeader("Upgrade-Insecure-Requests", "1");
            httpGet.addHeader("Connection", "keep-alive");

            for (int i = 0; i < cookies.size(); i++) {
                httpGet.addHeader("Cookie", cookies.get(i));
            }

            HttpResponse response = httpClient.execute(httpGet);
            if (response != null) {
                for (Header header : response.getAllHeaders()) {
                    if (header.getName().equalsIgnoreCase("Set-Cookie")) {
                        cookies.add(header.getValue());
                    }
                }
                HttpEntity resEntity = response.getEntity();
                if (resEntity != null) {
                    result = EntityUtils.toString(resEntity, charset);
                    httpGet.releaseConnection();
                }
            }
        } catch (Exception ex) {
            ex.printStackTrace();
            httpGet.releaseConnection();
        }
        return result;
    }

下载图片如果也需要验证按照上面的方法修改即可下载图片。