快捷導(dǎo)航

Java爬蟲(Jsoup與WebDriver)的使用

更新時(shí)間：2020年12月01日 10:21:56 作者：羊想藍(lán)天

這篇文章主要介紹了Java爬蟲(Jsoup與WebDriver)的使用,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

一、Jsoup爬蟲

jsoup 是一款Java 的HTML解析器，可直接解析某個(gè)URL地址、HTML文本內(nèi)容。它提供了一套非常省力的API，可通過(guò)DOM，CSS以及類似于jQuery的操作方法來(lái)取出和操作數(shù)據(jù)。

以博客園首頁(yè)為例

1、idea新建maven工程

pom.xml導(dǎo)入jsoup依賴

<dependency>
   <groupId>org.jsoup</groupId>
   <artifactId>jsoup</artifactId>
   <version>1.12.1</version>
</dependency>

jsoup代碼

package com.blb;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import java.io.IOException;

public class jsoup {

  public static void main(String[] args) {

    //博客園首頁(yè)url
    final String url= "https://www.cnblogs.com";
    try {
      //先獲得的是整個(gè)頁(yè)面的html標(biāo)簽頁(yè)面
      Document doc= Jsoup.connect(url).get();
      System.out.println(doc);
      //可以通過(guò)元素的標(biāo)簽獲取html中的特定元素
      Elements title = doc.select("title");
      String t = title.text();
      System.out.println(t);
      //可以通過(guò)元素的id獲取html中的特定元素
      Element site_nav_top = doc.getElementById("site_nav_top");
      String s = site_nav_top.text();
      System.out.println(s);
    } catch (IOException e) {
      e.printStackTrace();
    }

  }
}

該方式有個(gè)很大的局限性，就是通過(guò)jsoup爬蟲只適合爬靜態(tài)網(wǎng)頁(yè)，所以只能爬當(dāng)前頁(yè)面的信息。

二、Webdriver技術(shù)

Selenium是一個(gè)瀏覽器自動(dòng)化操作框架。selenium主要由三種工具組成。
1.第一個(gè)工具——SeleniumIDE，是Firefox的擴(kuò)展插件，支持用戶錄制和回訪測(cè)試。錄制/回訪模式存在局限性，對(duì)許多用戶來(lái)說(shuō)并不適合。

2.因此第二個(gè)工具——Selenium WebDriver提供了各種語(yǔ)言環(huán)境的API來(lái)支持更多控制權(quán)和編寫符合標(biāo)準(zhǔn)軟件開發(fā)實(shí)踐的應(yīng)用程序。

3.最后一個(gè)工具——SeleniumGrid幫助工程師使用Selenium API控制分布在一系列機(jī)器上的瀏覽器實(shí)例，支持并發(fā)運(yùn)行更多測(cè)試。

在項(xiàng)目?jī)?nèi)部，它們分別被稱為“IDE”、“WebDriver”和“Grid”。

什么是 Webdriver ？

官網(wǎng)介紹：

WebDriver is a clean, fast framework for automated testing of webapps.（WebDriver是一個(gè)干凈、快速的web應(yīng)用自動(dòng)測(cè)試框架。）

WebDriver針對(duì)各個(gè)瀏覽器而開發(fā)，取代了嵌入到被測(cè)Web應(yīng)用中的JavaScript。與瀏覽器的緊密集成支持創(chuàng)建更高級(jí)的測(cè)試，避免了JavaScript安全模型導(dǎo)致的限制。除了來(lái)自瀏覽器廠商的支持，WebDriver還利用操作系統(tǒng)級(jí)的調(diào)用模擬用戶輸入。WebDriver支持Firefox(FirefoxDriver)、IE (InternetExplorerDriver)、Opera (OperaDriver)和Chrome (ChromeDriver)。它還支持Android (AndroidDriver)和iPhone (IPhoneDriver)的移動(dòng)應(yīng)用測(cè)試。它還包括一個(gè)基于HtmlUnit的無(wú)界面實(shí)現(xiàn)，稱為HtmlUnitDriver。WebDriver API可以通過(guò)Python、Ruby、Java和C#訪問(wèn)，支持開發(fā)人員使用他們偏愛的編程語(yǔ)言來(lái)創(chuàng)建測(cè)試。

WebDriver如何工作

WebDriver是W3C的一個(gè)標(biāo)準(zhǔn)，由Selenium主持。

具體的協(xié)議標(biāo)準(zhǔn)可以從http://code.google.com/p/selenium/wiki/JsonWireProtocol#Command_Reference 查看。

從這個(gè)協(xié)議中我們可以看到，WebDriver之所以能夠?qū)崿F(xiàn)與瀏覽器進(jìn)行交互，是因?yàn)闉g覽器實(shí)現(xiàn)了這些協(xié)議。這個(gè)協(xié)議是使用JOSN通過(guò)HTTP進(jìn)行傳輸。

它的實(shí)現(xiàn)使用了經(jīng)典的Client-Server模式?？蛻舳税l(fā)送一個(gè)requset，服務(wù)器端返回一個(gè)response。

我們明確幾個(gè)概念。

Client

調(diào)用 WebDriverAPI的機(jī)器。

Server

運(yùn)行瀏覽器的機(jī)器。Firefox瀏覽器直接實(shí)現(xiàn)了WebDriver的通訊協(xié)議，而Chrome和IE則是通過(guò)ChromeDriver和InternetExplorerDriver實(shí)現(xiàn)的。

Session

服務(wù)器端需要維護(hù)瀏覽器的Session，從客戶端發(fā)過(guò)來(lái)的請(qǐng)求頭中包含了Session信息，服務(wù)器端將會(huì)執(zhí)行對(duì)應(yīng)的瀏覽器頁(yè)面。

WebElement

這是WebDriverAPI中的對(duì)象，代表頁(yè)面上的一個(gè)DOM元素。

實(shí)現(xiàn)：

1.下載瀏覽器驅(qū)動(dòng)，用的是Chrome瀏覽器，下載地址http://chromedriver.storage.googleapis.com/index.html，按對(duì)應(yīng)瀏覽器版本號(hào)下載

2、idea新建maven工程

pom.xml導(dǎo)入入selinium依賴

 <dependency>
   <groupId>org.seleniumhq.selenium</groupId>
   <artifactId>selenium-java</artifactId>
   <version>3.141.59</version>
 </dependency>

代碼實(shí)現(xiàn)：

package com.blb;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;
import org.openqa.selenium.By;
import org.openqa.selenium.WebDriver;
import org.openqa.selenium.chrome.ChromeDriver;

public class chrome {

  public static void main(String[] args) {
    //下載的chromedriver位置
    System.setProperty("webdriver.chrome.driver","D:\\idea_workspace\\Jsoup\\src\\main\\chromedriver.exe");
    //實(shí)例化ChromeDriver對(duì)象
    WebDriver driver = new ChromeDriver();
    String url="https://search.51job.com/list/000000,000000,0000,00,9,99,%25E5%25A4%25A7%25E6%2595%25B0%25E6%258D%25AE%25E5%25B7%25A5%25E7%25A8%258B%25E5%25B8%2588,2,1.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=";
    //打開指定網(wǎng)站
    driver.get(url);
    //解析頁(yè)面
    String pageSource =driver.getPageSource();
    Document jsoup = Jsoup.parse(pageSource);
    //定義選擇器規(guī)則
    String rule="#resultList > div:nth-child(4) > p > span > a";
    //通過(guò)選擇器拿到元素
    Elements select = jsoup.select(rule);
    String s=select.text();
    System.out.println(s);
    //模擬瀏覽器點(diǎn)擊
    driver.findElement(By.cssSelector(rule)).click();
    
  }
}

爬取電影資源：

package com.blb;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import org.openqa.selenium.WebDriver;
import org.openqa.selenium.chrome.ChromeDriver;


public class getMovie {

private static final String url="http://www.zuidazy5.com";

public static void main(String[] args) {
System.setProperty("webdriver.chrome.driver","D:\\idea_workspace\\Jsoup\\src\\main\\chromedriver.exe");
WebDriver driver = new ChromeDriver();
driver.get(url);
String pageSource = driver.getPageSource();
Document jsoup = Jsoup.parse(pageSource);
String rule1="body > div.xing_vb > ul> li > span.xing_vb4 > a";
Elements select = jsoup.select(rule1);
//遍歷當(dāng)前頁(yè)的所有電影詳情入口
for (Element e:select)
{
//獲取電影詳情頁(yè)鏈接
String href = e.attr("href");
//進(jìn)入每個(gè)電影詳情頁(yè)面
driver.get(url+href);
String pageSource2= driver.getPageSource();
Document jsoup2 = Jsoup.parse(pageSource2);

//定義獲取電影信息元素的規(guī)則
String mname="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodh > h2";
String mpic="body > div.warp > div:nth-child(1) > div > div > div.vodImg > img";
String mdirector="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(2) > span";
String mactor="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(3) > span";
String marea="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(5) > span";
String mlanguage="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(6) > span";
String mshowtime="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(7) > span";
String mscore="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodh > label";
String mtimelength="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(8) > span";
String mlastmodifytime="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(9) > span";
String minfo="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li.cont > div > span.more";
String mplayaddress1="#play_1 > ul > li";
String mplayaddress2="#play_2 > ul > li";
String msv="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodh > span";

//獲取元素信息
String sv=jsoup2.select(msv).text();
String name = jsoup2.select(mname).text();
String pic = jsoup2.select(mpic).attr("src");
String director=jsoup2.select(mdirector).text();
String actor=jsoup2.select(mactor).text();
String area=jsoup2.select(marea).text();
String language=jsoup2.select(mlanguage).text();
String showtime=jsoup2.select(mshowtime).text();
String score=jsoup2.select(mscore).text();
String timelength=jsoup2.select(mtimelength).text();
String lastmodifytime=jsoup2.select(mlastmodifytime).text();
String info=jsoup2.select(minfo).text();
String playaddress1 = jsoup2.select(mplayaddress1).text();
String playaddress2=jsoup2.select(mplayaddress2).text();

//打印電影名
System.out.println(name);
}
}
}

為了不顯示瀏覽器爬取過(guò)程，可以將chromedriver.exe 換成無(wú)頭瀏覽器 phantomjs.exe

下載地址：https://phantomjs.org/download.html

到此這篇關(guān)于Java爬蟲(Jsoup與WebDriver)的使用的文章就介紹到這了,更多相關(guān)Java Jsoup與WebDriver爬蟲內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: