【Selenium+Webmagic】基于JAVA语言实现爬取js渲染后的页面，附有代码

2024-03-01 20:40:07 分类：前端 热度：67 评论： 0

事先声明
笔者最近需要查看一些数据，自己挨个找太麻烦了，于是简单的学了一下爬虫。笔者在这里声明，爬的数据只为学术用，没有其他用途，希望来这篇文章学习的同学能抱有同样的目的。

枪本身不坏，坏的是使用枪的人

效果

下载ChromeDriver

查看自己的Chrome版本，过高需要卸载再下载
在地址栏键入

chrome://version/

查看版本

下载ChromeDrive以及相对应的Chrome

ChromeDriver的版本需要仔细考究，一个ChromeDriver版本对应一个Chrome版本，由于Chrome版本更新太快，最近已经到119.xx了，ChromeDriver最高支持版本才115.xx， 因此我们要先把本地的Chrome卸载，然后下载相应的历史版本
Chrome历史版本1
Chrome历史版本2 版本更多更全面
ChromeDriver历史版本

笔者以114为例子

点击后会进入下载页，里面有windows版本以及note.txt,在txt文件中会写有支持哪个Chrome版本


我上面给出的Chrome历史版本1中没有114版本，在历史版本2中有，可以自行去下载

禁止Chrome自动升级

由于Chrome更新太快，ChromeDriver跟不上，并且Chrome总是自动升级，这里给出禁止Chrome自动升级的解决办法1。

第一步：禁用任务计划

首先是【右键计算机->管理】，在【计算机管理(本地)->系统工具->任务计划程序->任务计划程序库】中找到两个和Google自动更新相关的任务计划【GoogleUpdateTaskMachineCore】与【GoogleUpdateTaskMachineUA】，并把它俩禁用掉。

第二步：禁用更新服务

然后在下方的【服务和应用程序->服务】中，找到两个和Google更新相关的服务【Google更新服务(gupdate)】、【Google更新服务(gupdatem)】，并右键，选择属性，把启动类型改为禁用。如果没有找到的可以略过。

第三步：重命名更新程序

完成上面两步后理论上就可以停止Chrome的自动更新了，不过有网友说这么做之后，不要在Chrome中点击【帮助->关于Google Chrome】
这里笔者尝试过，确实有这种情况，为了避免，我们可以修改他的update.exe的名字：
笔者给出自己电脑上update的地址:（没有修改Chrome默认安装地址）

C:\Program Files (x86)\Google\Update

修改这个名字，如果你在这个位置没有找到，可以参考资料1的位置

到这里就结束了，在地址栏键入

chrome://version/

查看当前版本

不过笔者没有再尝试在Chrome中点击【帮助->关于Google Chrome】是否会更新，大胆的小伙伴可以试试

使用IDEA实现爬取js渲染后的页面

爬取的页面: 国家统计局发布的数据

相应的版本

SpringBoot 2.6.13
Webmagic: 0.8.0
Selenium-java 3.141.59

现在SpringInitializer已经不支持SpringBoot2.x了，你可以升级使用SpringBoot3，再使用下面代码或者参考我另一篇文章使用SpringBoot2：Spring Initializer 已经不支持Java8，也就是SpringBoot2.x项目初始化

所需依赖

下面依赖有些你可能不需要 比如thymeleaf，不过都加上也不会报错

<dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-thymeleaf</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>
        <!--Mybatis-plus-->
        <dependency>
            <groupId>***.baomidou</groupId>
            <artifactId>mybatis-plus-boot-starter</artifactId>
            <version>3.5.1</version>
        </dependency>
        <dependency>
            <groupId>***.baomidou</groupId>
            <artifactId>mybatis-plus-generator</artifactId>
            <version>3.3.2</version>
        </dependency>
        <dependency>
            <groupId>***.baomidou</groupId>
            <artifactId>mybatis-plus-extension</artifactId>
            <version>3.3.2</version>
        </dependency>
        <dependency>
            <groupId>***.baomidou</groupId>
            <artifactId>mybatis-plus-extension</artifactId>
            <version>3.5.1</version>
        </dependency>
        <dependency>
            <groupId>***.mysql</groupId>
            <artifactId>mysql-connector-j</artifactId>
            <scope>runtime</scope>
        </dependency>
        
        <!-- https://mvnrepository.***/artifact/us.codecraft/webmagic-extension -->
        <dependency>
            <groupId>us.codecraft</groupId>
            <artifactId>webmagic-extension</artifactId>
            <exclusions>
                <exclusion>
                    <groupId>org.slf4j</groupId>
                    <artifactId>slf4j-log4j12</artifactId>
                </exclusion>
            </exclusions>
            <version>0.8.0</version>
        </dependency>

        <!-- https://mvnrepository.***/artifact/***.google.guava/guava -->
        <dependency>
            <groupId>***.google.guava</groupId>
            <artifactId>guava</artifactId>
            <version>32.1.3-jre</version>
        </dependency>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-configuration-processor</artifactId>
            <optional>true</optional>
        </dependency>
        <dependency>
            <groupId>org.projectlombok</groupId>
            <artifactId>lombok</artifactId>
            <optional>true</optional>
        </dependency>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-test</artifactId>
            <scope>test</scope>
        </dependency>
        <!--模拟浏览器行为-->
        <!-- https://mvnrepository.***/artifact/org.seleniumhq.selenium/selenium-java -->
        <dependency>
            <groupId>org.seleniumhq.selenium</groupId>
            <artifactId>selenium-java</artifactId>
        </dependency>

    </dependencies>

修改maven的镜像地址

下载semenium的依赖需要的时间会比较长，而且下载webmagic依赖的时候有些包在阿里云Central镜像下找不到, 需要修改为all
打开配置文件



修改完保存即可

具体实现

建议

再看下面代码之前，还是要有一定的webmagic基础的，推荐BiliBili上一个教程，只需要两个多小时就能理解webmagic的工作流程Java爬虫案例实战-webmagic（第二话） 2021最新

WebMagic

WebMagic中文文档

从图中可以看到Spider是爬虫启动的关键入口。

我们要做的就是自定义一个xxPageProcessor，实现PageProcessor接口，重写两个方法
Site, process。
在process方法中将抓取到的url地址添加到scheduler队列中，图中一个request其实是一个url地址，并不是http的请求；
其中resultItems保存的是向pipeline中写入的数据，是一个linkedhash结构

pipeline是输出的关键，可以向控制台中输出，也可以自定义一个pipeline，向数据库中写入信息

Scheduler默认是内存队列，可以修改为redis队列（成本高）

Download我这里没有自定义，不过官网给出了自定义的方法，感兴趣的可以看看

一个简单的demo

/**
 * @Author：sichenyong
 * @Email: sichenyongwork@163.***
 * @Package：***.scy
 * @Project：crawer
 * @Date：2023/12/2 19:45
 * @description：使用css选择器解析
 */
@Slf4j
public class MyPageProcessor2 implements PageProcessor {
    public void process(Page page) {
        Html html = page.getHtml();
        String title = html.css("title", "text").get();
        log.info("title is {}", title);
        page.putField("title", title);

        String s = html.css("a", "href").get();
        // 向resultItems中写入数据
        page.putField("a", s);
        List<String> all = html.css("a", "href").all();
        page.putField("allLinks", all);

        page.putField("html",html);

    }

    public Site getSite() {
        return Site.me();
    }

    public static void main(String[] args) {
        MyPageProcessor2 myPageProcessor2 = new MyPageProcessor2();
        Spider.create(myPageProcessor2).addUrl("https://www.stats.gov.***/sj/sjjd/202311/t20231115_1944598.html")
                .start();
    }
}

实现思路


相较于webmagic的架构，我们只需要在process方法中使用selenium的解析方法获取js加载后的数据就可以

使用Selenium解析js渲染后的页面信息

  1. 首先定义初始化chromedriver的函数

    private String devicePath = "D:\\SoftWare\\environemnt\\chromeDriver\\chromedriver.exe";
private ChromeDriver webDriver;


void setUp(){
   System.getProperties().setProperty("webdriver.chrome.driver",devicePath);
   ChromeOptions options = new ChromeOptions();
   options.addArguments("--headless");
   webDriver = new ChromeDriver(options);
   webDriver.manage().timeouts().implicitlyWait(5, TimeUnit.SECONDS);
}

  2. 实现解析函数

    /**
    * @description:解析js加载后的页面，获取相关信息
    * @author: sichenyong
    * @email: sichenyongwork@163.***
    * @date: 2023/12/4 16:43
    * @param: [page]
    * @return: ***.example.entity.UsefulMessage
    **/
   UsefulMessage parseJS(Page page) {

       UsefulMessage usefulMessage = new UsefulMessage();
       String url = page.getUrl().get();
       webDriver.get(url);
       // 获取所有的a标签地址
       List<WebElement> aElements = webDriver.findElements(By.cssSelector("div.list-content > ul > li > a.fl.mhide.pc1200"));
       if (aElements.size() > 0) {
           List<String> hrefValue = new ArrayList<>();

           for (WebElement aElement : aElements) {
               hrefValue.add(aElement.getAttribute("href"));
           }
           // 设置列表地址
           usefulMessage.setHrefs(hrefValue);
           // 设置是否是列表页
           usefulMessage.setListPage(true);
           // 获取下一页的地址
           WebElement element = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.wrapper-list-right > div.list-pager.mhide > a.next"));
           String nextUrl = element.getAttribute("href");
           //设置下一页的url地址
           usefulMessage.setNextPageUrl(nextUrl);
           log.info("===下一页地址===" + nextUrl);

           String column = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.wrapper-list-left.mhide > div > ul > li.active")).getText();
           // 设置栏目
           usefulMessage.setColumn(column);
       }
       webDriver.quit();
       return usefulMessage;
   }

  3. 完整代码

    /**
* @Author：sichenyong
* @Email: sichenyongwork@163.***
* @Package：***.example.***ponent
* @Project：selenium
* @Date：2023/12/3 22:02
* @description：使用selenium解析js加载之后的页面信息
* @Version：1.0 由于笔者没有学过设计模式，因此写的代码有些冗余，见谅。
*/
@Slf4j
public class SeleniumProcessor {
	//下载的ChromeDriver地址
   private String devicePath = "D:\\SoftWare\\environemnt\\chromeDriver\\chromedriver.exe";
   private ChromeDriver webDriver;


   void setUp(){
       System.getProperties().setProperty("webdriver.chrome.driver",devicePath);
       ChromeOptions options = new ChromeOptions();
       options.addArguments("--headless");
       webDriver = new ChromeDriver(options);
       webDriver.manage().timeouts().implicitlyWait(5, TimeUnit.SECONDS);
   }

   /**
    * @description:解析js加载后的页面，获取相关信息
    * @author: sichenyong
    * @email: sichenyongwork@163.***
    * @date: 2023/12/4 16:43
    * @param: [page]
    * @return: ***.example.entity.UsefulMessage
    **/
   UsefulMessage parseJS(Page page) {
		// 自定义的实体类，保存自己向要的js生成的信息
       UsefulMessage usefulMessage = new UsefulMessage();
       String url = page.getUrl().get();
       webDriver.get(url);
       // 获取所有的a标签地址
       List<WebElement> aElements = webDriver.findElements(By.cssSelector("div.list-content > ul > li > a.fl.mhide.pc1200"));
       if (aElements.size() > 0) {
           List<String> hrefValue = new ArrayList<>();

           for (WebElement aElement : aElements) {
               hrefValue.add(aElement.getAttribute("href"));
           }
           // 设置列表地址
           usefulMessage.setHrefs(hrefValue);
           // 设置是否是列表页
           usefulMessage.setListPage(true);
           // 获取下一页的地址
           WebElement element = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.wrapper-list-right > div.list-pager.mhide > a.next"));
           String nextUrl = element.getAttribute("href");
           //设置下一页的url地址
           usefulMessage.setNextPageUrl(nextUrl);
           log.info("===下一页地址===" + nextUrl);

           String column = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.wrapper-list-left.mhide > div > ul > li.active")).getText();
           // 设置栏目
           usefulMessage.setColumn(column);
       }
       webDriver.quit();
       return usefulMessage;
   }

   /**
    * @description: 解析网页的数据
    *              parse可以根据需要进行修改，爬取你想要的
    * @author: sichenyong
    * @email: sichenyongwork@163.***
    * @date: 2023/12/4 14:20
    * @param: [page, filterTitle]
    * @return: void
    **/
   void parse(Page page, String filterTitle, String column) {
       try {
           // 获取url
           String url = page.getUrl().get();
           webDriver.get(url);
           // 获取标题
           String title = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.detail-title > h1")).getText();
           if (title.contains(filterTitle)) {
               // 创建数据库实体
               Stats stats = new Stats();
               // 读入当前页的url
               stats.setPubUrl(url);
               // 读入title
               stats.setWebTitle(title);
               // 读入栏目
               stats.setPubColumn(column);
               // 获取数据来源
               WebElement source = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.detail-title > div > h2:nth-child(1) > span"));
               String pubSources = source.getText();
               String regex = "：";
               if (pubSources.contains(":")) {
                   regex = ":";
               }
               String[] strings = pubSources.split(regex);
               String pubSource = strings[strings.length-1];
               stats.setPubSource(pubSource);
               // 获取发布时间
               String pubTime = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.detail-title > div > h2:nth-child(1) > p")).getText();
               pubTime = pubTime.replaceAll("/","-");
               stats.setPubTime(pubTime);

               // 存入数据库
               page.putField("stats",stats);
           }
           else {
               log.error("文章\"" + title + "\"中不包含关键字:{}", filterTitle);
               page.getResultItems().setSkip(true);
           }
       } catch (Exception e) {
           e.printStackTrace();
       }
       finally {
           webDriver.quit();
       }
   }

   /**
    * @description: 需要过滤的数据有多个
    * @author: sichenyong
    * @email: sichenyongwork@163.***
    * @date: 2023/12/4 14:21
    * @param: [page, filterTitles]
    * @return: void
    **/
   void parse(Page page, List<String> filterTitles,String column) {
       try {
           // 获取url
           String url = page.getUrl().get();
           webDriver.get(url);
           // 获取标题
           String title = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.detail-title > h1")).getText();
           if (support(title, filterTitles)) {
               // 创建数据库实体
               Stats stats = new Stats();
               // 读入当前页的url
               stats.setPubUrl(url);
               // 读入title
               stats.setWebTitle(title);
               // 读入栏目
               stats.setPubColumn(column);
               // 获取数据来源
               WebElement source = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.detail-title > div > h2:nth-child(1) > span"));
               String pubSources = source.getText();
               String regex = "：";
               if (pubSources.contains(":")) {
                   regex = ":";
               }
               String[] strings = pubSources.split(regex);
               String pubSource = strings[strings.length-1];
               stats.setPubSource(pubSource);
               // 获取发布时间
               String pubTime = webDriver.findElement(By.cssSelector("body > div > div.wrapper-content > div > div.detail-title > div > h2:nth-child(1) > p")).getText();
               pubTime = pubTime.replaceAll("/","-");
               stats.setPubTime(pubTime);

               // 存入数据库
               page.putField("stats",stats);
           }
           else {
               log.error("文章\"" + title + "\"中不包含关键字:{}", filterTitles);
               page.getResultItems().setSkip(true);
           }
       } catch (Exception e) {
           e.printStackTrace();
       }
       finally {
           webDriver.quit();
       }
   }

   /**
    * @description:判断title是否在想要的列表中
    * @author: sichenyong
    * @email: sichenyongwork@163.***
    * @date: 2023/12/4 14:28
    * @param: [title, filterTitles]
    * @return: boolean
    **/
   boolean support(String title, @NotNull List<String> filterTitles) {
       for (String filterTitle : filterTitles) {
           if (title.contains(filterTitle)) {
               return true;
           }
       }
       return false;
   }
}

重写自定义pageProcessor的process方法

/**
 * @Author：sichenyong
 * @Email: sichenyongwork@163.***
 * @Package：***.scy.***ponent
 * @Project：stats
 * @Date：2023/12/3 13:25
 * @description：
 */
@AllArgsConstructor
@NoArgsConstructor
@Data
@Slf4j
public class StatsPageProcessor implements PageProcessor {
    /**
     * @description: 过滤标题文章，保存含有filterTitle的文章
     * demo: filterTitle = "Java"
     *          函数会自动保存所有含有Java的文章，将不含有java的文章过滤掉
     * @author: sichenyong
     * @email: sichenyongwork@163.***
     * @date: 2023/12/3 14:03
     **/
    protected String filterTitle="";
    protected List<String> filterTitles;
    private String column;

    @Override
    public void process(Page page) {

        SeleniumProcessor seleniumProcessor1 = new SeleniumProcessor();
        seleniumProcessor1.setUp();
        // 获取解析js后的网页信息
        UsefulMessage usefulMessage = seleniumProcessor1.parseJS(page);

        // 是列表页
        if (usefulMessage.isListPage()) {
            // 获取所有的链接
            List<String> links = usefulMessage.getHrefs();
            // 传给Scheduler
            page.addTargetRequests(links);
            // 解析下一页
            String nextPage = usefulMessage.getNextPageUrl();
            page.addTargetRequest(nextPage);

            column = usefulMessage.getColumn();
            // 列表页面的数据不写入数据库
            page.getResultItems().setSkip(true);
        }
        else {
            // 详情页面写入数据库
//            parseStats(page);
            SeleniumProcessor seleniumProcessor = new SeleniumProcessor();
            seleniumProcessor.setUp();
            if (filterTitles == null) {
                seleniumProcessor.parse(page, filterTitle, column);
            }
            else {
                seleniumProcessor.parse(page, filterTitles, column);
            }
        }
    }


    /**
     * @description: 解析详情页面 - 无法解析js加载的页面
     * @Deprecated
     * @param: page
     * @return: void
     * @author: sichenyong
     * @email: sichenyongwork@163.***
     * @date: 2023/12/3 14:04
     **/
    @Deprecated
    private void parseStats(Page page) {
        Html html = page.getHtml();
        // 获取页面的标题
        String title = html.css("body > div > div.wrapper-content > div > div.detail-title > h1","text").get();
        // 如果文章中包含filterTitle，则保存文章
        if (title.contains(filterTitle)) {
            Stats stats = new Stats();
            //获取当前页面的url
            String currentUrl = page.getUrl().get();
            // 获取当前页面的pubtime
            String pubTime = html.css("body > div > div.wrapper-content > div > div.detail-title > div > h2:nth-child(1) > p", "text").get();
            // 获取页面的来源
            String pubSources = html.xpath("/html/body/div/div[3]/div/div[1]/div/h2[1]/span/text()").get();
            String regex = "：";
            if (pubSources.contains(":")) {
                regex = ":";
            }
            String[] strings = pubSources.split(regex);
            String pubSource = strings[strings.length-1];

            stats.setWebTitle(title);
            stats.setPubUrl(currentUrl);
            stats.setPubSource(pubSource);
            stats.setPubTime(pubTime);

            // 写入数据库
            page.putField("stats",stats);
        }
    }

    @Override
    public Site getSite() {
        Site site = new Site();
        // 设置重试间隔时间
        site.setRetryTimes(3);
        site.setRetrySleepTime(3000);
        site.setSleepTime(3000);
        return site;
    }
}

项目代码

这里笔者使用的是阿里云云效Code代码托管平台,项目地址

  1. 三步彻底关闭chrome谷歌浏览
    器自动更新; ↩︎ ↩︎

转载请说明出处内容投诉
CSS教程_站长资源网 » 【Selenium+Webmagic】基于JAVA语言实现爬取js渲染后的页面，附有代码
柒威网

柒威网

分享到：

相关推荐

发表评论

欢迎 访客 发表评论

一个令你着迷的主题！

查看演示 官网购买