java抓取动态生成的网页--吐槽
最近在做项目的时候有一个需求：从网页面抓取数据，要求是首先抓取整个网页的html源码（后期更新要使用到）。刚开始一看这个简单，然后就稀里哗啦的敲起了代码（在这之前使用过Hadoop平台的分布式爬虫框架Nutch，使用起来是很方便，但是最后因为速度的原因放弃了，但生成的统计信息在后来的抓取中使用到了），很快holder.html和finance.html页面成功下载完成，然后解析完holder.html页面之后再解析finance.html，然后很沮丧的发现在这个页面中我需要的数据并没有在html源码中，再去浏览器查看源码果然是这样的，在源码中确实没有我需要的数据，看来不是我程序写错了，接下来让人身心疲惫的事情来了---获取包含动态内容的html页面。
在所谓的中国最强搜索引擎---百度上面行走了好长的时间，发现大部分的人都在将使用WebDriver和HttpUnit（其实前者已经包含了后者），这个高兴，终于找到了解决办法。怀着万分的激动使用WebDriver，我要想骂人了。
下面是关于WebDriver的吐槽
WebDriver是一个测试框架，原本设计的时候就不是用来服务爬虫的，但是我想说的是：八字就差一撇了，你就不能多往前做一步吗？为什么网上还有那么多的人推荐WebDriver呢？我想这些人没有从实际出发，甚至还有的人狂言WebDriver可以解析完成后的页面返回给想要爬去整个页面的人（包含动态生成的内容），对，WebDriver可以完成这个任务，但是看到作者写的代码，我想说的是：哥们，你的代码局限性太大了，解析自己写的js代码，而且js代码简单，这样WebDriver当然是毫无压力的完成任务。WebDriver在解析动态内容是要看js代码的复杂性和多样性。
什么是复杂性？
先贴一段代码
WebDriver driver = newInternetExplorerDriver (); HtmlPage page = driver.get(url); System.out.println(page.asXml());
这一段代码的意思是相信大家都看懂，上面使用的IE内核，当然还有FirefoxDriver， ChromeDriver，HtmlUnitDriver，这些driver的使用原理都是一样的，先开启浏览器（这个要时间的），然后加载url并完成动态解析，然后通过page.asXml()就可以得到完成的html页面，其中HtmlUnitDriver模拟无界面浏览器，java中有执行js的引擎rhino，HtmlUnitDriver使用的就是rhino来解析js的，由于不会去启动有界面的浏览器，所以HtmlUnitDriver的速度比前面的三者都快。无论是什么Driver，避免不了的是解析js，这是需要时间的，而且不用的内核对js的支持程序又是不同，比如说HtmlUnitDriver对于带有滚动的js代码支持很差，在执行时会报错（亲自体验了）。js代码的复杂的意思就是：对于不同的内核他们支持的js是不完全相同的，这个应该根据具体情况来定，鄙人好久没有研究js了，所以关于各内核对js的支持就不说了。
什么是多样性
前面说了，浏览器解析js是需要时间的。对于只嵌入少数的js代码的页面来说，通过page.asXml()来获取完整的页面时没有问题的。但是对于嵌入比较多的js代码的页面，解析js是需要很多时间的（对于jvm来说），那么此时通过page.asXml()来获取的页面中大多数时候是不包含有动态生成的内容的。问题就来了，这样的话为什么还说WebDriver可以获得包含有动态内容的html页面呢？网上有人说在driver.get(url)之后需要是当前线程等待一下才能获取完成的页面，也就是类似于下面的形式
WebDriver driver = new InternetExplorerDriver(); HtmlPage page = dirver.get(url); Thread.sleep(2000); System.output.println(page.asXml());
我按照这个想法去尝试以下，呀，真的是可以。但是问题不正好也摆在那里了么？怎么样去确定等待时间？类似于数据挖掘中确定阀值时的凭经验的方法？，还是尽可能的是时间长一点。我觉得这些都不是很好的办法，时间代价比较大。我就想在driver应该可以捕获解析js完成后的状态，于是我去找啊，找啊，可是根本就没有这个方法，所以我说WebDriver的设计者为什么不再往前走一步，让我们可以在程序中获取到driver解析js完成后的状态，这样的话就不用使用Thread.sleep(2000)这样的不确定性代码了，可惜的是怎么也找不到，真是让我心痛了一场。FirefoxDriver， ChromeDriver，HtmlUnitDriver也有同样的问题，可以说使用WebDriver来辅助爬去动态生成的网页所得到的结果是很不稳定的。这一点我是深有体会，使用IEDriver的时候，同一个页面两次爬取的结果会出现不一样，而且甚至有时候IE直接挂掉，你说这样的东西你们敢用在爬虫程序中吗？我是不敢的。
另外还有就是有人推荐使用HttpUnit，其实WebDirver中HtmlUnitDriver在内部使用的就是httpUnit，所以使用HttpUnit也会遇到同样的问题，我也做了实验，确实是这样。通过Thread.sleep(2000)来等待js的解析完成，我觉得不可取的办法。不确定性太大了，特别是在大型的抓取工作中。
总结一下，WebDriver是为测试而设计的框架，虽然按照其原理理论上可以用来辅助爬虫获取包含有动态内容的html页面，但是在实际的应用中是不取的，不确定性太大了，稳定性太差，速度太慢，我们还是让框架各尽其值吧，不要折煞了他们的优点。
我的工作没有完成，所以继续去网上需找办法，这次找到了一个稳定的，确定性高的辅助工具---phantomjs，目前我还不完全了解这个东西。但是目前已经用它来实现了我想要的功能。在java中通过runtime.exec(arg)来调用phantomjs得到解析js后的页面。我还是把代码贴出来吧
phantomjs端要执行的代码
system = require('system')
address = system.args[1];//获得命令行第二个参数 接下来会用到
//console.log('Loading a web page');
var page = require('webpage').create();
var url = address;
//console.log(url);
page.open(url, function (status) {
//Page is loaded!
if (status !== 'success') {
console.log('Unable to post!');
} else {
//此处的打印，是将结果一流的形式output到java中，java通过InputStream可以获取该输出内容
console.log(page.content);
}
phantom.exit();
});
java端执行的代码
public void getParseredHtml(){ String url = "www.bai.com"; Runtime runtime = Runtime.getRuntime(); runtime.exec("F:/phantomjs/phantomjs/phantomjs.exe F:/js/parser.js "+url); InputStream in = runtime.getInputStream(); //后面的代码省略，得到了InputStream就好说了 }
这样的话在java端就可以获得解析完成后的html页面了，而不是像WebDriver中需要使用Thread.sleep()这样的不确定性的代码来获取可能完成的代码。有一点需要说明：在phantomjs端的js代码千万不要要语法错误，否则js代码编译不同的话，java端就一直等待着，并不会抛异常。再就是由于在使用phantomjs.exe的时候，java端每次都要去开启一个phantomjs进程，时间上消耗还是比较大的。但是最起码来说结果是稳定的。当然最后我还没有使用phantomjs，我直接download需要的数据，并没有去抓取整个完整的页面，主要是速度方面的问题（其实，我不敢用是因为phantomjs不熟悉，所以我慎用）。
折腾了几天，虽然没有解决我的问题，但是见识长了不少，后期的工作是熟悉phantomjs，看能不能再速度方面提升，要是能打破速度的框框，以后再爬去网页的时候就得心应手了，再者就是Nutch这个框架，我佩服着哥们在使用的时候方便性，所有后期很有必要研究下如何优化Nutch在Hadoop上的抓取速度，另外，Nutch原始的功能中也不会抓取动态生成的页面内容，但是可以使用Nutch和WebDirver结合，说不定抓取的结果稳定了，哈哈，这些只是构想，但是不尝试怎么知道呢？
如果园友对于使用WebDriver辅助爬虫所得到的结果的稳定性方面有要说的，欢迎各位啊，因为我确实没有找相关的资料来稳定爬去结果。