【Java】使用Java实现爬虫
文章目录
一、HttpClient实现模拟HTTP访问
1.1 HttpClient
HTTP 协议是 Internet 上使用得最多、最重要的协议之一，越来越多的 Java 应用程序需要直接通过 HTTP 协议来访问网络资源。虽然在 JDK 的 java net包中已经提供了访问 HTTP 协议的基本功能，但是对于大部分应用程序来说，JDK 库本身提供的功能还不够丰富和灵活。HttpClient 是 Apache Jakarta Common 下的子项目，用来提供高效的、最新的、功能丰富的支持 HTTP 协议的客户端编程工具包，并且它支持 HTTP 协议最新的版本和建议。HttpClient 已经应用在很多的项目中，比如 Apache Jakarta 上很著名的另外两个开源项目 Cactus 和 HTMLUnit 都使用了 HttpClient。Commons HttpClient项目现已终止，不再开发。 它已被Apache HttpComponents项目里的HttpClient和HttpCore模块取代，它们提供了更好的性能和更大的灵活性。
1.2 引入依赖
<dependency> <groupId>org.apache.httpcomponentsgroupId> <artifactId>httpclientartifactId> <version>${httpclient.version}version>dependency><dependency> <groupId>org.jsoupgroupId> <artifactId>jsoupartifactId> <version>${jsoup.version}version>dependency>向项目中引入HttpClient和Jsoup依赖。
Jsoup用于解析获取的HTML文本，可以像JS一样通过id和class获取元素。同时Jsoup也可访问页面。
1.3 创建简单的请求操作
1.3.1 创建实例
public void testLinked() throws Exception {// 创建HttpClient对象 CloseableHttpClient httpClient = HttpClients.createDefault(); // 创建GET请求 HttpGet httpGet = new HttpGet("https://blog.csdn.net/weixin_43347659"); httpGet.setHeader("use-agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36"); // 获取响应结果 CloseableHttpResponse response = httpClient.execute(httpGet); if (response.getStatusLine().getStatusCode() == 200) { String html = EntityUtils.toString(response.getEntity(), "UTF-8"); System.out.println(html); } httpClient.close(); response.close();}HttpClient用于创建连接对象，如果请求方式为GET则可以创建HttpGet对象，若为POST请求可创建HttpPost对象，请求的参数为待访问的URL。
可以根据实际请求内容适当的增加header的内容。调用HttpClient的execute()方法发起请求，并创建一个CloseableHttpResponse响应对象，可以通过判断响应状态码确定请求的结果。
根据现在的一些防爬虫设置，可能需要在
header添加固定的请求内容，例如host、origin等内容区分人机，可根据实际情况设置。
1.3.2 Jsoup应用
@Testpublic void testJsoup() throws Exception { // 创建HttpClient CloseableHttpClient httpClient = HttpClients.createDefault(); // 创建GET请求 HttpGet httpGet = new HttpGet("https://www.cnblogs.com/sam-uncle/category/1469093.html"); httpGet.setHeader("user-agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36"); // 获取响应 CloseableHttpResponse response = httpClient.execute(httpGet); // 获取页面内容 if (response.getStatusLine().getStatusCode() == 200) { String html = EntityUtils.toString(response.getEntity(), "UTF-8"); // 创建Document对象 Document document = Jsoup.parse(html); // 获取博客列表 Element blog = document.getElementsByClass("entrylist").first(); Elements blogList = blog.getElementsByClass("entrylistItem"); for (Element element : blogList) { Elements title = element.select("a[class='entrylistItemTitle'] span"); System.out.println(title.text()); } } response.close(); httpClient.close();}通过调用Jsoup的parse(String html)方法即可将原始的HTML页面解析为Document类，这样我们就能够通过getElementById(String attr)、getElementsByClass(String attr)、select(String classAttr)等方式获取页面中的标签元素。
Document类为org.jsoup.nodes.Document注意不要使用错类。
1.4 爬取过程中可能出现的问题
1.4.1 JS异步加载问题
随着前端技术的发展，在页面中应用AJAX、VUE和AngularJS等技术已经很普及，因此在使用HttpClient时会发现，响应的结果与页面不相同，或者响应的页面并没有所需的内容。
因此可以从其他的思路来实现，例如我们可以通过访问内部接口获取响应值，通过这种方法可以跳过对页面的分析，直接获取想要的结果。主要难点在于分析该内容调用的接口。
例如我们查看CSDN的博客页面，点击搜索框可看到CSDN会推送热门的搜索信息，但是如果查看当前页面的网页源码是无法搜索到该内容的。
此时我们可以打开F12，查看页面的所有请求
此时我们可以只选择Fetch/XHR查看页面所有调用的接口，从中找到正确的接口。根据实际请求中携带参数和header的信息，编写代码。
@Testpublic void testApi() { CloseableHttpClient httpClient = HttpClients.createDefault(); HttpGet httpGet = new HttpGet("https://silkroad.csdn.net/api/v2/assemble/list/channel/search_hot_word?new_hot_flag=1&channel_name=pc_hot_word&size=20&user_name=weixin_43347659&platform=pc&imei=10_20960811560-1623721797026-245775"); httpGet.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36"); httpGet.setHeader("Accept", "application/json, text/javascript, **"); httpPost.setHeader("Accept-Encoding", "gzip, deflate, br"); httpPost.setHeader("Accept-Language", "zh-CN,zh;q=0.9"); httpPost.setHeader("Content-Type", "application/json;charset=UTF-8"); httpPost.setHeader("Host", "passport.csdn.net"); httpPost.setHeader("Origin", "https://passport.csdn.net"); httpPost.setHeader("Referer", "https://passport.csdn.net/login?code=applets"); // 配置登录参数 List<NameValuePair> pairList = new ArrayList<NameValuePair>(); pairList.add(new BasicNameValuePair("loginType", "1")); pairList.add(new BasicNameValuePair("pwdOrVerifyCode", "password")); pairList.add(new BasicNameValuePair("uaToken", "")); pairList.add(new BasicNameValuePair("userIdentification", "username")); pairList.add(new BasicNameValuePair("webUmidToken", "")); httpPost.setEntity(new UrlEncodedFormEntity(pairList, HTTP.UTF_8)); CloseableHttpResponse response = httpClient.execute(httpPost); if (response.getStatusLine().getStatusCode() == 200) { System.out.println("登录成功"); // 这里要注销请求，否则会影响后续的请求 httpPost.abort(); HttpGet httpGet = new HttpGet("https://mall.csdn.net/myorder?spm=1001.2014.3001.5137"); httpGet.setHeader("user-agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36"); CloseableHttpResponse response1 = httpClient.execute(httpGet); if (response1.getStatusLine().getStatusCode() == 200) { System.out.println("==============================开始打印页面=============================="); System.out.println(EntityUtils.toString(response1.getEntity())); System.out.println("==============================结束打印页面=============================="); } response1.close(); } response.close(); httpClient.close();}该案例为失败案例，由于登录方式多变，可能出现的验证码等人机校验，导致用户登录的难度加大，例如上述案例，直接访问登录接口后，会直接重定向到人机验证界面，导致无法正常登录。有些页面也存在在前端进行密码加密，导致无法获取正确的密码。
因此上述例子只是提供一个思路。
二、HtmlUtil实现JS异步加载页面
2.1 HtmlUtil
htmlunit 是一款开源的java 页面分析工具，读取页面后，可以有效的使用htmlunit分析页面上的内容。项目可以模拟浏览器运行，被誉为java浏览器的开源实现。是一个没有界面的浏览器，运行速度迅速。是junit的扩展之一。
2.2 引入依赖
<dependency><groupId>net.sourceforge.htmlunitgroupId><artifactId>htmlunitartifactId><version>${htmlutil.version}version>dependency>2.3 创建简单的请求操作
2.3.1 创建实例
@Testpublic void testLinked() { try (WebClient webClient = new WebClient(BrowserVersion.CHROME)) { webClient.getOptions().setThrowExceptionOnScriptError(false);//当JS执行出错的时候是否抛出异常 webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);//当HTTP的状态非200时是否抛出异常 webClient.getOptions().setActiveXNative(false); webClient.getOptions().setCssEnabled(false);//是否启用CSS webClient.getOptions().setJavaScriptEnabled(true); //很重要，启用JS webClient.setAjaxController(new NicelyResynchronizingAjaxController());//很重要，设置支持AJAX //开始请求网站 HtmlPage loginPage = webClient.getPage("https://ent.sina.com.cn/film/"); webClient.waitForBackgroundJavaScript(30000);//该方法阻塞线程 System.out.println("=================开始打印页面================="); System.out.println(loginPage.asXml()); System.out.println("=================结束打印页面================="); } catch (Exception e) { e.printStackTrace(); }}对webClient的配置很重要，尤其是setAjaxController()方法，使得模拟页面可以支持AJAX异步加载。
对于Vue和AngularJS渲染的页面HtmlUtil在其处理上也不是太好，加载JS也只能加载原始页面中包含的内容，
2.3.2 模拟浏览器操作
HtmlUtil可以创建一个无界面的浏览器，所以可以通过代码对文本框赋值和进行点击操作，完成一些简单的操作。示例：
@Testpublic void testSearch() { WebClient webClient = new WebClient(BrowserVersion.CHROME); // 设置当前的AJAX控制器 webClient.setAjaxController(new NicelyResynchronizingAjaxController()); // 设置CSS支持 webClient.getOptions().setCssEnabled(false); // 设置JavaScript是否启用 webClient.getOptions().setJavaScriptEnabled(true); // 设置ActiveX是否启用 webClient.getOptions().setActiveXNative(false); // 设置访问错误时是否抛出异常 webClient.getOptions().setThrowExceptionOnFailingStatusCode(true); // 设置JS报错时是否抛出异常 webClient.getOptions().setThrowExceptionOnScriptError(false); try { HtmlPage htmlPage = webClient.getPage("https://www.csdn.net/"); // 阻塞当前线程，直到指定时间后结束 webClient.waitForBackgroundJavaScript(10*1000); // 获取搜索框 HtmlInput search = (HtmlInput) htmlPage.getByXPath("//*[@id=\"toolbar-search-input\"]").get(0); search.setAttribute("value", "HtmlUtil用法"); // 点击搜索 HtmlButton button = (HtmlButton) htmlPage.getByXPath("//*[@id=\"toolbar-search-button\"]").get(0); HtmlPage newHtmlPage = button.click(); System.out.println("=============打印页面============="); System.out.println(newHtmlPage.asXml()); System.out.println("=============打印页面============="); } catch (IOException e) { e.printStackTrace(); }}该示例通过访问CSDN的首页，为搜索框赋值，操作点击后可获取搜索结果。
由于CSDN的搜索结果是通过Vue框架加载，所以无法获取到最终的结果。
2.4 爬取待登录的页面
操作与2.3.2节类似，主要思路为获取登录页面，为表单元素添加用户名和密码，再通过click()方法点击登录按钮，提交表单，登录成功后会自动将cookie存放在WebClient中，可通过WebClient再次访问其他需要登录的页面。
相较于HttpClient，HtmlUtil可以直接操作页面比访问接口相对容易，但是针对于Vue框架和需要验证码登录的页面还是存在问题。
参考资料：
来源地址：https://blog.csdn.net/weixin_43347659/article/details/126162900
免责声明：
① 本站未注明“稿件来源”的信息均来自网络整理。其文字、图片和音视频稿件的所属权归原作者所有。本站收集整理出于非商业性的教育和科研之目的，并不意味着本站赞同其观点或证实其内容的真实性。仅作为临时的测试数据，供内部测试之用。本站并未授权任何人以任何方式主动获取本站任何信息。
② 本站未注明“稿件来源”的临时测试数据将在测试完成后最终做删除处理。有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
