如何用JAVA爬取AJAX加载后的页面

JavaScript024

如何用JAVA爬取AJAX加载后的页面,第1张

普通的爬取是抓不了js的之后的数据的 可以用phantomjs或者htmlUnit实现

附上phantomjs示列代码

package cn.wang.utils

import java.util.Random

import com.gargoylesoftware.htmlunit.BrowserVersion

import com.gargoylesoftware.htmlunit.CookieManager

import com.gargoylesoftware.htmlunit.NicelyResynchronizingAjaxController

import com.gargoylesoftware.htmlunit.WebClient

public class htmlUnitUtils {

static WebClient webClient = null

static Random random = new Random()

static{

//1.创建对象

webClient = new WebClient(BrowserVersion.CHROME)

//2.设置参数

//启动js

webClient.getOptions().setJavaScriptEnabled(true)

//关闭css渲染

webClient.getOptions().setCssEnabled(false)

//启动重定向

webClient.getOptions().setRedirectEnabled(true)

//设置连接超时时间 ,这里是10S。如果为0,则无限期等待

webClient.getOptions().setTimeout(1000 * 15)

//启动cookie管理

webClient.setCookieManager(new CookieManager())

//启动ajax代理

webClient.setAjaxController(new NicelyResynchronizingAjaxController())

//js运行时错误,是否抛出异常

webClient.getOptions().setThrowExceptionOnScriptError(false)

//设置浏览器请求信息

webClient.addRequestHeader("Accept", "text/html,application/xhtml+xml,application/xmlq=0.9,*/*q=0.8")

webClient.addRequestHeader("Accept-Encoding", "gzip, deflate")

webClient.addRequestHeader("Accept-Language", "zh-CN,zhq=0.8,zh-TWq=0.7,zh-HKq=0.5,en-USq=0.3,enq=0.2")

webClient.addRequestHeader("Connection", "keep-alive")

webClient.addRequestHeader("Upgrade-Insecure-Requests", "1")

}

public static void runJs(String url){

try {

webClient.addRequestHeader("User-Agent", Constant.useragents[random.nextInt(Constant.useragents.length)])

//等待js渲染执行 waitime等待时间(ms)

webClient.waitForBackgroundJavaScript(1000 * 10)

//3.获取页面

webClient.getPage(url)

} catch (Exception e) {

e.printStackTrace()

} finally {

if(webClient != null){

webClient.close()

}

}

}

public static void main(String[] args) {

runJs("http://www.gou.hk/")

System.setProperty("phantomjs.binary.path", "D:\\works\\tool\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe")

}

}

推荐大家使用神箭手云爬虫写爬虫,完全在云上编写和执行爬虫,不需要配置任何开发环境,快速开发快速实现。

 

简单几行

javascript

就可以实现复杂的爬虫,同时提供很多功能函数:反反爬虫、

js

渲染、数据发布、图表分析、反防盗链等,这些在开发爬虫过程中经常会遇到的问题都由神箭手帮你解决。

神箭手上有开发者文档,详细说明了如何编写爬虫脚本,还有很多网站的源码分享哦。