今天在写一个爬虫的时候遇到了一个问题,就是在使用Jsoup获取html时只能解析静态的页面,只要是页面中与js相关的动态数据都是不能够爬取到的,在网上搜索了些资料后发现能够使用htmlunit来解决这个问题
- 参考资料:http://www.cnblogs.com/cation/p/3933408.html
- jar包下载:http://sourceforge.net/projects/htmlunit/files/htmlunit/
- 简单使用:
// 创建模拟浏览器,参数可以指定不同类型的浏览器
WebClient webClient = new WebClient();
// 启用JS解释器,默认为true
webClient.getOptions().setJavaScriptEnabled(true);
// 禁用css支持
webClient.getOptions().setCssEnabled(false);
// js运行错误时,是否抛出异常
webClient.getOptions().setThrowExceptionOnScriptError(false);
// 设置超时
webClient.getOptions().setTimeout(20000);
// page 就是你获取到的html,你可以进一步的解析数据
HtmlPage page = webClient.getPage("yourUrl");
// 这里我会使用Jsoup对html页面进行解析
Document document = Jsoup.parse(pageXml);
/*
* 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,
*/
- 总结:在这里主要是说一下如何使用HtmlUnit来简单爬取动态网页的数据(主要是与js相关的),至于该框架的一些元素检索、表单提交和代理服务器的详细功能可以参考上面给出的大牛的博客