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

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

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