Java 爬蟲數(shù)據(jù)異步加載如何解決

這是 Java 爬蟲系列博文的第三篇，在上一篇Java 爬蟲如何爬取需要登錄的網(wǎng)站，該怎么辦？ 中，我們簡單的講解了爬蟲時(shí)遇到登錄問題的解決辦法，在這篇文章中我們一起來聊一聊爬蟲時(shí)遇到數(shù)據(jù)異步加載的問題，這也是爬蟲中常見的問題。

現(xiàn)在很多都是前后端分離項(xiàng)目，這會使得數(shù)據(jù)異步加載問題更加突出，所以你在爬蟲時(shí)遇到這類問題不必驚訝，不必慌張。對于這類問題的解決辦法總體來說有以下兩種：

1、內(nèi)置一個瀏覽器內(nèi)核

內(nèi)置瀏覽器就是在抓取的程序中，啟動一個瀏覽器內(nèi)核，使我們獲取到 js 渲染后的頁面，這樣我們就跟采集靜態(tài)頁面一樣了。這種工具常用的有以下三種：

• Selenium
• HtmlUnit
• PhantomJs

這些工具都能幫助我們解決數(shù)據(jù)異步加載的問題，但是他們都存在缺陷，那就是效率不高而且不穩(wěn)定。

2、反向解析法

什么是反向解析法呢？我們 js 渲染頁面的數(shù)據(jù)是通過 Ajax 的方式從后端獲取的，我們只需要找到對應(yīng)的 Ajax 請求連接就 OK，這樣我們就獲取到了我們需要的數(shù)據(jù)，反向解析法的好處就是這種方式獲取的數(shù)據(jù)都是 json 格式的數(shù)據(jù)，解析起來也比較方便，另一個好處就是相對頁面來說，接口的變化概率更小。同樣它有兩個不足之處，一個是在 Ajax 時(shí)你需要有耐心有技巧，因?yàn)槟阈枰谝淮笸普埱笾姓业侥阆胍?，另一個不足的地方就是對 JavaScript 渲染的頁面束手無策。

上面就是異步數(shù)據(jù)加載的兩種解決辦法，為了加深大家的理解和在項(xiàng)目中如何使用，我以采集網(wǎng)易要聞為例，網(wǎng)易新聞地址：https://news.163.com/ 。利用上訴的兩種方式來獲取網(wǎng)易要聞的新聞列表。網(wǎng)易要聞如下：

內(nèi)置瀏覽器 Selenium 方式

Selenium 是一個模擬瀏覽器，進(jìn)行自動化測試的工具，它提供一組 API 可以與真實(shí)的瀏覽器內(nèi)核交互。在自動化測試上使用的比較多，爬蟲時(shí)解決異步加載也經(jīng)常使用它，我們要在項(xiàng)目中使用 Selenium ，需要做兩件事：

1、引入 Selenium 的依賴包，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、下載對應(yīng)的 driver，例如我下載的 chromedriver，下載地址為：https://npm.taobao.org/mirrors/chromedriver/，下載后，需要將 driver 的位置寫到 Java 的環(huán)境變量里，例如我直接放在項(xiàng)目下，所以我的代碼為：

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

完成上面兩步之后，我們就可以來編寫使用 Selenium 采集網(wǎng)易要聞啦。具體代碼如下：

/**
 * selenium 解決數(shù)據(jù)異步加載問題
 * https://npm.taobao.org/mirrors/chromedriver/
 *
 * @param url
 */
public void selenium(String url) {
 // 設(shè)置 chromedirver 的存放位置
 System.getProperties().setProperty("webdriver.chrome.driver", "chromedriver.exe");
 // 設(shè)置無頭瀏覽器，這樣就不會彈出瀏覽器窗口
 ChromeOptions chromeOptions = new ChromeOptions();
 chromeOptions.addArguments("--headless");

 WebDriver webDriver = new ChromeDriver(chromeOptions);
 webDriver.get(url);
 // 獲取到要聞新聞列表
 List<WebElement> webElements = webDriver.findElements(By.xpath("http://div[@class='news_title']/h4/a"));
 for (WebElement webElement : webElements) {
 // 提取新聞連接
 String article_url = webElement.getAttribute("href");
 // 提取新聞標(biāo)題
 String title = webElement.getText();
 if (article_url.contains("https://news.163.com/")) {
  System.out.println("文章標(biāo)題：" + title + " ,文章鏈接：" + article_url);
 }
 }
 webDriver.close();
}

運(yùn)行該方法，得到結(jié)果如下：

我們使用 Selenium 已經(jīng)正確的提取到了網(wǎng)易要聞的列表新聞。

反向解析法

反向解析法就是獲取到 Ajax 異步獲取數(shù)據(jù)的鏈接，直接獲取到新聞數(shù)據(jù)。如果沒有技巧的話，查找 Ajax 的過程將非常痛苦，因?yàn)橐粋€頁面加載的鏈接太多了，看看網(wǎng)易要聞的 network：

有幾百條的請求，該如何查找到是哪條請求獲取的要聞數(shù)據(jù)呢？你不嫌麻煩的話，可以一個一個的去點(diǎn)，肯定能夠查找到的，另一種快捷的辦法是利用 network 的搜索功能，如果你不知道搜索按鈕，我在上圖已經(jīng)圈出來啦，我們在要聞中隨便復(fù)制一個新聞標(biāo)題，然后檢索一下，就可以獲取到結(jié)果，如下圖所示：

這樣我們就快速的獲取到了要聞數(shù)據(jù)的請求鏈接，鏈接為：https://temp.163.com/special/00804KVA/cm_yaowen.js?callback=data_callback，訪問該鏈接，查看該鏈接返回的數(shù)據(jù)，如下圖所示：

從數(shù)據(jù)我們可以看出，我們需要的數(shù)據(jù)都在這里啦，所以我們只需要解析這段數(shù)據(jù)接可以啦，要從這段數(shù)據(jù)中解析出新聞標(biāo)題和新聞鏈接，有兩種方式，一種是正則表達(dá)式，另一種是將該數(shù)據(jù)轉(zhuǎn)成 json 或者 list。這里我選擇第二種方式，利用 fastjson 將返回的數(shù)據(jù)轉(zhuǎn)換成 JSONArray 。所以我們是要引入 fastjson ，在 pom.xml 中引入 fastjson 依賴：

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

除了引入 fastjson 依賴外，我們在轉(zhuǎn)換前還需要對數(shù)據(jù)進(jìn)行簡單的處理，因?yàn)楝F(xiàn)在的數(shù)據(jù)并不符合 list 的格式，我們需要去掉 data_callback( 和最后面的 )。具體反向解析獲取網(wǎng)易要聞的代碼如下：

/**
 * 使用反向解析法 解決數(shù)據(jù)異步加載的問題
 *
 * @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");
 // 先替換掉最前面的 data_callback(
 body = body.replace("data_callback(", "");
 // 過濾掉最后面一個 ）右括號
 body = body.substring(0, body.lastIndexOf(")"));
 // 將 body 轉(zhuǎn)換成 JSONArray
 JSONArray jsonArray = JSON.parseArray(body);
 for (int i = 0; i < jsonArray.size(); i++) {
  JSONObject data = jsonArray.getJSONObject(i);
  System.out.println("文章標(biāo)題：" + data.getString("title") + " ,文章鏈接：" + data.getString("docurl"));
 }
 } else {
 System.out.println("處理失敗?。?！返回狀態(tài)碼：" + response.getStatusLine().getStatusCode());
 }

}

編寫 main 方法，執(zhí)行上面的方法，需要注意的地方是：這時(shí)候傳入的鏈接為https://temp.163.com/special/00804KVA/cm_yaowen.js?callback=data_callback 而不是 https://news.163.com/。得到如下結(jié)果:

兩種方法都成功的獲取到了網(wǎng)易要聞異步加載的新聞列表，對于這兩種方法的選取，我個人的傾向是使用反向解析法，因?yàn)樗男阅芎头€(wěn)定是都要比內(nèi)置瀏覽器內(nèi)核靠譜，但是對于一些使用 JavaScript 片段渲染的頁面，內(nèi)置瀏覽器又更加靠譜。所以根據(jù)具體情況選擇吧。

源代碼：源代碼

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持億速云。