Java 爬虫数据异步加载怎样解决

时间:2021-04-02 人气:0

这是 Java 爬虫系列博文的第三篇，在上一篇Java 爬虫如何爬取需要登录的网站，该怎么办？中，我们简单的讲解了爬虫时遇到登录问题的解决办法，在这篇文章中我们一起来聊一聊爬虫时遇到数据异步加载的问题，这也是爬虫中常见的问题。

现在很多都是前后端分离项目，这会使得数据异步加载问题更加突出，所以你在爬虫时遇到这类问题不必惊讶，不必慌张。对于这类问题的解决办法总体来说有以下两种：

1、内置一个浏览器内核

内置浏览器就是在抓取的程序中，启动一个浏览器内核，使我们获取到 js 渲染后的页面，这样我们就跟采集静态页面一样了。这种工具常用的有以下三种：

Selenium
HtmlUnit
PhantomJs

这些工具都能帮助我们解决数据异步加载的问题，但是他们都存在缺陷，那就是效率不高而且不稳定。

2、反向解析法

什么是反向解析法呢？我们 js 渲染页面的数据是通过 Ajax 的方式从后端获取的，我们只需要找到对应的 Ajax 请求连接就 OK，这样我们就获取到了我们需要的数据，反向解析法的好处就是这种方式获取的数据都是 json 格式的数据，解析起来也比较方便，另一个好处就是相对页面来说，接口的变化概率更小。同样它有两个不足之处，一个是在 Ajax 时你需要有耐心有技巧，因为你需要在一大推请求中找到你想要的，另一个不足的地方就是对 JavaScript 渲染的页面束手无策。

上面就是异步数据加载的两种解决办法，为了加深大家的理解和在项目中如何使用，我以采集网易要闻为例，网易新闻地址：https://news.163.com/ 。利用上诉的两种方式来获取网易要闻的新闻列表。网易要闻如下：

内置浏览器 Selenium 方式

Selenium 是一个模拟浏览器，进行自动化测试的工具，它提供一组 API 可以与真实的浏览器内核交互。在自动化测试上使用的比较多，爬虫时解决异步加载也经常使用它，我们要在项目中使用 Selenium ，需要做两件事：

1、引入 Selenium 的依赖包，在 pom.xml 中添加

<!-- https://mvnrepository.com/artifact/org.seleniumhq.selenium/selenium-java -->
<dependency>
 <groupId>org.seleniumhq.selenium</groupId>
 <artifactId>selenium-java</artifactId>
 <version>3.141.59</version>
</dependency>

2、下载对应的 driver，例如我下载的 chromedriver，下载地址为：https://npm.taobao.org/mirrors/chromedriver/，下载后，需要将 driver 的位置写到 Java 的环境变量里，例如我直接放在项目下，所以我的代码为：

System.getProperties().setProperty("webdriver.chrome.driver", "chromedriver.exe");

完成上面两步之后，我们就可以来编写使用 Selenium 采集网易要闻啦。具体代码如下：

/**
 * selenium 解决数据异步加载问题
 * https://npm.taobao.org/mirrors/chromedriver/
 *
 * @param url
 */
public void selenium(String url) {
 // 设置 chromedirver 的存放位置
 System.getProperties().setProperty("webdriver.chrome.driver", "chromedriver.exe");
 // 设置无头浏览器，这样就不会弹出浏览器窗口
 ChromeOptions chromeOptions = new ChromeOptions();
 chromeOptions.addArguments("--headless");

 WebDriver webDriver = new ChromeDriver(chromeOptions);
 webDriver.get(url);
 // 获取到要闻新闻列表
 List<WebElement> webElements = webDriver.findElements(By.xpath("//div[@class='news_title']/h3/a"));
 for (WebElement webElement : webElements) {
 // 提取新闻连接
 String article_url = webElement.getAttribute("href");
 // 提取新闻标题
 String title = webElement.getText();
 if (article_url.contains("https://news.163.com/")) {
  System.out.println("文章标题：" + title + " ,文章链接：" + article_url);
 }
 }
 webDriver.close();
}

运行该方法，得到结果如下：

我们使用 Selenium 已经正确的提取到了网易要闻的列表新闻。

反向解析法

反向解析法就是获取到 Ajax 异步获取数据的链接，直接获取到新闻数据。如果没有技巧的话，查找 Ajax 的过程将非常痛苦，因为一个页面加载的链接太多了，看看网易要闻的 network：

有几百条的请求，该如何查找到是哪条请求获取的要闻数据呢？你不嫌麻烦的话，可以一个一个的去点，肯定能够查找到的，另一种快捷的办法是利用 network 的搜索功能，如果你不知道搜索按钮，我在上图已经圈出来啦，我们在要闻中随便复制一个新闻标题，然后检索一下，就可以获取到结果，如下图所示：

这样我们就快速的获取到了要闻数据的请求链接，链接为：https://temp.163.com/special/00804KVA/cm_yaowen.js?callback=data_callback，访问该链接，查看该链接返回的数据，如下图所示：

从数据我们可以看出，我们需要的数据都在这里啦，所以我们只需要解析这段数据接可以啦，要从这段数据中解析出新闻标题和新闻链接，有两种方式，一种是正则表达式，另一种是将该数据转成 json 或者 list。这里我选择第二种方式，利用 fastjson 将返回的数据转换成 JSONArray 。所以我们是要引入 fastjson ，在 pom.xml 中引入 fastjson 依赖：

<dependency>
 <groupId>com.alibaba</groupId>
 <artifactId>fastjson</artifactId>
 <version>1.2.59</version>
</dependency>

除了引入 fastjson 依赖外，我们在转换前还需要对数据进行简单的处理，因为现在的数据并不符合 list 的格式，我们需要去掉 data_callback( 和最后面的 )。具体反向解析获取网易要闻的代码如下：

/**
 * 使用反向解析法 解决数据异步加载的问题
 *
 * @param url
 */
public void httpclientMethod(String url) throws IOException {

 CloseableHttpClient httpclient = HttpClients.createDefault();
 HttpGet httpGet = new HttpGet(url);
 CloseableHttpResponse response = httpclient.execute(httpGet);
 if (response.getStatusLine().getStatusCode() == 200) {
 HttpEntity entity = response.getEntity();
 String body = EntityUtils.toString(entity, "GBK");
 // 先替换掉最前面的 data_callback(
 body = body.replace("data_callback(", "");
 // 过滤掉最后面一个 ）右括号
 body = body.substring(0, body.lastIndexOf(")"));
 // 将 body 转换成 JSONArray
 JSONArray jsonArray = JSON.parseArray(body);
 for (int i = 0; i < jsonArray.size(); i++) {
  JSONObject data = jsonArray.getJSONObject(i);
  System.out.println("文章标题：" + data.getString("title") + " ,文章链接：" + data.getString("docurl"));
 }
 } else {
 System.out.println("处理失败！！！返回状态码：" + response.getStatusLine().getStatusCode());
 }

}

编写 main 方法，执行上面的方法，需要注意的地方是：这时候传入的链接为https://temp.163.com/special/00804KVA/cm_yaowen.js?callback=data_callback 而不是 https://news.163.com/。得到如下结果:

两种方法都成功的获取到了网易要闻异步加载的新闻列表，对于这两种方法的选取，我个人的倾向是使用反向解析法，因为它的性能和稳定是都要比内置浏览器内核靠谱，但是对于一些使用 JavaScript 片段渲染的页面，内置浏览器又更加靠谱。所以根据具体情况选择吧。

源代码：源代码

您可能感兴趣的文章:

加载全部内容