Selenium+Phantomjs做Java爬虫_phantomjs+selenium和webmagic哪个好-优快云博客

以前，觉得爬虫是不稳定的，而且不被业界允许的，从来没想过会在实际的项目中使用。现在，由于各种突发情况，必须使用爬虫才能完成相应任务。起初，觉得爬虫不过是爬取网页，解析网页就可以了，比较简单，谁知一路心酸泪。

查阅各种资料，Java相关的爬虫工具也比较多，由于时间关系，只简单看了下面几种，分析如下：

	HtmlUnit	webmagic	Selenium	phantomjs
优点	Java编写的无界面浏览器，内置Rhinojs浏览器引擎，支持表单填充，点击链接，能够获取动态页面等。	webmagic采用完全模块化的设计，支持链接提取、页面下载、内容抽取、持久化，支持多线程抓取，分布式抓取，并支持自动重试、自定义UA/cookie等功能。另外国人编写，文档齐全，支持。	Web浏览器测试工具，支持获取动态网页，支持的浏览器包括IE（7, 8, 9, 10, 11），Mozilla Firefox，Safari，Google Chrome，Opera等，模拟真实用户的操作。可以用来测试项目的兼容性。	PhantomJS是一个基于webkit的JavaScript API。支持Dom操作、css选择器、截屏等，无界面的浏览器操作，节省内存，另外支持js脚本，功能强大。
缺点	对css、js支持不好，最大的缺点，获取动态网页需要指定固定等待时间，类如：Thread.sleep(10000)，时间不好把控，性能极差	静态HTML获取方便，但动态网页无法获取，需要另外使用工具，类如Selenium浏览器模拟。	运行过程中会打开浏览器界面，内存消耗大，与各种浏览器版本强依赖，适用于测试项目兼容性，不适用当前业务。	无界面浏览器，无法显示的模拟用户操作

由于这次需要爬取的网站，基本上都是采取JS+AJAX获取数据，渲染的动态网页，所以最终选择了 selenium+phantomjs组合进行爬取，因为selenium封装了phantomjs，能够让我们更方便，更好的使用，节约时间和成本。

phantomjs下载：

使用phantomjs则需要下载相应运行器，下载网址：https://phantomjs.org/download.html，大家可以根据自己的系统进行下载，这里我们使用windows版本—phantomjs-2.1.1-windows.zip。大家下载下来解压即可。

Maven依赖如下：

<dependency>
    <groupId>org.seleniumhq.selenium</groupId>
    <artifactId>selenium-java</a

Selenium+Phantomjs做Java爬虫