CSDN爬虫（六）——动态网页爬取的两种策略

说明

• 开发环境：jdk1.7+myeclipse10.7+win74bit+mysql5.5+webmagic0.5.2+jsoup1.7.2
• 爬虫框架：webMagic
• 建议：建议首先阅读webMagic的文档，再查看此系列文章，便于理解，快速学习：http://webmagic.io/
• 开发所需jar下载（不包括数据库操作相关jar包）：点我下载
• 该系列文章会省略webMagic文档已经讲解过的相关知识。

概述

• 在爬虫过程中，一般情况下都是直接解析html源码进行分析解析即可。但是，有一种情况是比较特殊的：网页的数据采用异步加载的，比如ajax加载的数据，在我们“查看网页源代码”是查看不到的。采用常规的爬虫这一块是解析不到的。

• 第一种解决方案是采用一些第三方的工具，模拟浏览器的行为，去加载数据。比如：Selenium、PhantomJs。

  • 优点：不必考虑动态页面的各种变化多端（无论动态数据如何变化，最终呈现在页面上的效果是固定的，我们只关心最终结果。），我们只用关心最终的现实结果即可。可以统一处理。
  • 缺点：性能低下，比如使用Selenium，每次我们都需要去启动一个浏览器进程；配置繁琐，不同的浏览器需要下载不同的驱动以及jar包，并且驱动和jar包之间有严格版本匹配关系，如果不匹配就不能使用（至少本人因为版本匹配的关系，花了很大的时间）。

• 第二种解决方案是分析页面，找到对应请求接口，直接获取数据。

  • 优点：性能高，使用方便。我们直接获取原数据接口（换句话说就是直接拿取网页这一块动态数据的API接口），肯定会使用方便，并且改变的可能性也比较小。
  • 缺点：缺点也是明显的，如何获取接口API?有些网站可能会考虑到数据的安全性，做各种限制、混淆等。这就需要看开发者个人的基本功了，进行各种分析了。

• 本文首先会采用Selenium进行第一种方式爬取CSDN评论模块的数据；然后采用第二种方式分析爬取CSDN评论模块的数据；另外，看网上一个很火的“爬取京东胸罩评论分析国人罩杯。。。”，我们就也尝试爬取“销量最高的胸罩的所有评论数据”。有福利=_+

方案一：采用Selenium模拟浏览器获取动态网页数据

步骤

1. 下载需要的jar和浏览器驱动。注意事项：其实这一块是个难点，需要Selenium所需的jar、浏览器驱动、浏览器版本需要匹配，如果不匹配会出现各种问题。文章结束会给出一个我测试成功用的一个版本的jar包以及驱动的下载。版本匹配可以参考这篇文章：http://blog.csdn.net/huilan_same/article/details/51896672；我用的是chrome浏览器，chromedriver下载地址（不需要翻墙）：http://chromedriver.storage.googleapis.com/index.html。

2. 将下载的驱动放到谷歌浏览器的安装目录下，如下图 
   

3. 导入jar包，具体步骤不再详述。如下图 
   

4. 编写测试代码

   package com.wgyscsf.spider;import org.openqa.selenium.WebDriver;import org.openqa.selenium.chrome.ChromeDriver;/** * @author 高远</n> * 编写日期   2016-11-13下午9:02:01</n> * 邮箱  [e-mail]</n> * 博客  http://blog.csdn.net/wgyscsf</n> * TODO</n> */public class SeleniumTest {    public static void main(String[] args) {        // 第一步： 设置chromedriver地址。一定要指定驱动的位置。        System.setProperty("webdriver.chrome.driver",                "C:\\Program Files (x86)\\Google\\Chrome\\Application\\chromedriver.exe");        // 第二步：初始化驱动        WebDriver driver = new ChromeDriver();        // 第三步：获取目标网页        driver.get("http://blog.csdn.net/wgyscsf/article/details/52835845");        // 第四步：解析。以下就可以进行解了。使用webMagic、jsoup等进行必要的解析。        System.out.println("Page title is: " + driver.getTitle());        System.out.println("Page title is: " + driver.getPageSource());    }}
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18
   19
   20
   21
   22
   23
   24
   25
   26
   27

结果分析

• 分析页面地址：http://blog.csdn.net/wgyscsf/article/details/52835845

• 查看原网页源码，我们发现原网页有一条评论：“请问您，有爬好的数据集吗”。我们在网页源码页搜索，结果搜索不到（不要被迷惑了，那一条评论是最新评论列表中的数据，并不是文章详情的评论数据。）： 
  

• 查看采用Selenium解析后的页面的数据，我们搜索可以搜索到文章详情的数据（不是最新评论的数据哦，是真正文章详情的评论数据。）： 
  

方案二：分析页面（采用Chrome浏览器进行演示），获取所需的API

案例一：获取CSDN博文详情的评论API(就是上面分析的那个)

步骤：

1. 打开需要分析的网页：http://blog.csdn.net/wgyscsf/article/details/52835845

2. 按F12,选择Network，刷新页面。如下图 
   

3. 这里我们就需要一个一个分析了，找到我们所需要的API。这里有一个技巧：我们可以采用Filter，如下图。进行信息过滤。 
   

4. 比如我们要分析获取评论信息，那么第一想法就是这个接口的命名可能就是Comment…。这样可以快速定位，找到我们需要的信息。 
   

5. 不负众望，我们真的找到了。看来我们的想法和CSDN的开发人员的想法一致：评论就应该用评论的英文commnet进行命名！ 
   

6. copy找到完整API地址： 
    
   

案例二：获取京东销量最高胸罩的所有评论信息

步骤：

1. 打开需要分析的网页：https://item.jd.com/10341817326.html
2. 按F12（不要忘了选择商品评论后再刷新哦）,选择Network，刷新页面。如下图 
   

3. 这里我们就需要一个一个分析了，找到我们所需要的API。这里有一个技巧：我们可以采用Filter，如下图。进行信息过滤。

4. 比如我们要分析获取评论信息，那么第一想法就是这个js的命名可能就是Comment…。这样可以快速定位，找到我们需要的信息。 
   

5. 不负众望，我们真的找到了。看来我们的想法和CSDN的开发人员的想法一致：评论就应该用评论的英文commnet进行命名！ 
   

6. copy找到完整API地址：https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv50&productId=10341817326&score=0&sortType=5&page=0&pageSize=10，该链接有福利=_+

操作代码（代码已全部迁移至github,欢迎star）

https://github.com/scsfwgy/WebMagic_CSDN_Demo 点击获取

说明

• 开发环境：jdk1.7+myeclipse10.7+win74bit+mysql5.5+webmagic0.5.2+jsoup1.7.2
• 爬虫框架：webMagic
• 建议：建议首先阅读webMagic的文档，再查看此系列文章，便于理解，快速学习：http://webmagic.io/
• 开发所需jar下载（不包括数据库操作相关jar包）：点我下载
• 该系列文章会省略webMagic文档已经讲解过的相关知识。

概述

• 在爬虫过程中，一般情况下都是直接解析html源码进行分析解析即可。但是，有一种情况是比较特殊的：网页的数据采用异步加载的，比如ajax加载的数据，在我们“查看网页源代码”是查看不到的。采用常规的爬虫这一块是解析不到的。

• 第一种解决方案是采用一些第三方的工具，模拟浏览器的行为，去加载数据。比如：Selenium、PhantomJs。

  • 优点：不必考虑动态页面的各种变化多端（无论动态数据如何变化，最终呈现在页面上的效果是固定的，我们只关心最终结果。），我们只用关心最终的现实结果即可。可以统一处理。
  • 缺点：性能低下，比如使用Selenium，每次我们都需要去启动一个浏览器进程；配置繁琐，不同的浏览器需要下载不同的驱动以及jar包，并且驱动和jar包之间有严格版本匹配关系，如果不匹配就不能使用（至少本人因为版本匹配的关系，花了很大的时间）。

• 第二种解决方案是分析页面，找到对应请求接口，直接获取数据。

  • 优点：性能高，使用方便。我们直接获取原数据接口（换句话说就是直接拿取网页这一块动态数据的API接口），肯定会使用方便，并且改变的可能性也比较小。
  • 缺点：缺点也是明显的，如何获取接口API?有些网站可能会考虑到数据的安全性，做各种限制、混淆等。这就需要看开发者个人的基本功了，进行各种分析了。

• 本文首先会采用Selenium进行第一种方式爬取CSDN评论模块的数据；然后采用第二种方式分析爬取CSDN评论模块的数据；另外，看网上一个很火的“爬取京东胸罩评论分析国人罩杯。。。”，我们就也尝试爬取“销量最高的胸罩的所有评论数据”。有福利=_+

方案一：采用Selenium模拟浏览器获取动态网页数据

步骤

1. 下载需要的jar和浏览器驱动。注意事项：其实这一块是个难点，需要Selenium所需的jar、浏览器驱动、浏览器版本需要匹配，如果不匹配会出现各种问题。文章结束会给出一个我测试成功用的一个版本的jar包以及驱动的下载。版本匹配可以参考这篇文章：http://blog.csdn.net/huilan_same/article/details/51896672；我用的是chrome浏览器，chromedriver下载地址（不需要翻墙）：http://chromedriver.storage.googleapis.com/index.html。

2. 将下载的驱动放到谷歌浏览器的安装目录下，如下图 
   

3. 导入jar包，具体步骤不再详述。如下图 
   

4. 编写测试代码

   package com.wgyscsf.spider;import org.openqa.selenium.WebDriver;import org.openqa.selenium.chrome.ChromeDriver;/** * @author 高远</n> * 编写日期   2016-11-13下午9:02:01</n> * 邮箱  [e-mail]</n> * 博客  http://blog.csdn.net/wgyscsf</n> * TODO</n> */public class SeleniumTest {    public static void main(String[] args) {        // 第一步： 设置chromedriver地址。一定要指定驱动的位置。        System.setProperty("webdriver.chrome.driver",                "C:\\Program Files (x86)\\Google\\Chrome\\Application\\chromedriver.exe");        // 第二步：初始化驱动        WebDriver driver = new ChromeDriver();        // 第三步：获取目标网页        driver.get("http://blog.csdn.net/wgyscsf/article/details/52835845");        // 第四步：解析。以下就可以进行解了。使用webMagic、jsoup等进行必要的解析。        System.out.println("Page title is: " + driver.getTitle());        System.out.println("Page title is: " + driver.getPageSource());    }}
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18
   19
   20
   21
   22
   23
   24
   25
   26
   27

结果分析

• 分析页面地址：http://blog.csdn.net/wgyscsf/article/details/52835845

• 查看原网页源码，我们发现原网页有一条评论：“请问您，有爬好的数据集吗”。我们在网页源码页搜索，结果搜索不到（不要被迷惑了，那一条评论是最新评论列表中的数据，并不是文章详情的评论数据。）： 
  

• 查看采用Selenium解析后的页面的数据，我们搜索可以搜索到文章详情的数据（不是最新评论的数据哦，是真正文章详情的评论数据。）： 
  

方案二：分析页面（采用Chrome浏览器进行演示），获取所需的API

案例一：获取CSDN博文详情的评论API(就是上面分析的那个)

步骤：

1. 打开需要分析的网页：http://blog.csdn.net/wgyscsf/article/details/52835845

2. 按F12,选择Network，刷新页面。如下图 
   

3. 这里我们就需要一个一个分析了，找到我们所需要的API。这里有一个技巧：我们可以采用Filter，如下图。进行信息过滤。 
   

4. 比如我们要分析获取评论信息，那么第一想法就是这个接口的命名可能就是Comment…。这样可以快速定位，找到我们需要的信息。 
   

5. 不负众望，我们真的找到了。看来我们的想法和CSDN的开发人员的想法一致：评论就应该用评论的英文commnet进行命名！ 
   

6. copy找到完整API地址： 
    
   

案例二：获取京东销量最高胸罩的所有评论信息

步骤：

1. 打开需要分析的网页：https://item.jd.com/10341817326.html
2. 按F12（不要忘了选择商品评论后再刷新哦）,选择Network，刷新页面。如下图 
   

3. 这里我们就需要一个一个分析了，找到我们所需要的API。这里有一个技巧：我们可以采用Filter，如下图。进行信息过滤。

4. 比如我们要分析获取评论信息，那么第一想法就是这个js的命名可能就是Comment…。这样可以快速定位，找到我们需要的信息。 
   

5. 不负众望，我们真的找到了。看来我们的想法和CSDN的开发人员的想法一致：评论就应该用评论的英文commnet进行命名！ 
   

6. copy找到完整API地址：https://club.jd.com/comment/productPageComments.action?callback=fetchJSON_comment98vv50&productId=10341817326&score=0&sortType=5&page=0&pageSize=10，该链接有福利=_+

操作代码（代码已全部迁移至github,欢迎star）

https://github.com/scsfwgy/WebMagic_CSDN_Demo 点击获取