使用phantomjs+java 爬取AJAX页面

phantomjs：我的理解就是它是一个无显示的浏览器，也就是说除了不能显示页面内容以外，浏览器能干的活儿它基本上都能干。so,最近由于实验需要，要从某电商爬一点图片，但是它又是AJAX生成的，单纯的爬取HTML的方法是行不通的，o(╯□╰)o，于是在经过一些求助后，；了解到了PHANTOMJS，鉴于网上没找到太多实例，只好自己总结下以备不时之需。另外直接查看官网上的说明文档会有很大收获滴~顺便锻炼下自己英文嘛o(╯□╰)o。下面举个栗子来具体实现：

把phantom下载解压到D盘，在目录下有phantomjs.exe文件（win7） 通过js文件可以调用这个WebKit来达到需要的目的：比方说生成网页快照之类吧。我要做的是爬AJAX页面上的图片。先看js文件：命名为S.JS

system = require('system')   //传递一些需要的参数给js文件

address = system.args[1];//获得命令行第二个参数 ，也就是指定要加载的页面地址，接下来会用到  

var page = require('webpage').create();  

var url = address;  

page.open(url, function (status) {  

    if (status !== 'success') {  

        console.log('Unable to post!');  
    } else {  
 
        var encodings = ["euc-jp", "sjis", "utf8", "System"];//这一步是用来测试输出的编码格式，选择合适的编码格式很重要，不然你抓取下来的页面会乱码o(╯□╰)o，给出的几个编码格式是官网上的例子，根据具体需要自己去调整。

for (var i = 3; i < encodings.length; i++) {//我这里只要一种编码就OK啦

    phantom.outputEncoding = encodings[i];

    console.log(phantom.outputEncoding+page.content);//最后返回webkit加载之后的页面内容
}
        
    }     
    phantom.exit();  
});   

接下来就是java类的编写：

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
public class getContent {
 public static String getAjaxCotnent(String url) throws IOException {  

//  调用命令行运行phantomjs来执行s.js文件，这里的路径需要写全，否则是没有办法运行的，具体原因就不去考察了
//  通过此方法返回的就是把AJAX页面完全加载之后的浏览器的内容，以字符串的形式返回

        Runtime rt = Runtime.getRuntime();  

        Process p = rt.exec("d:/phantomjs/phantomjs.exe d:/phantomjs/s.js "+url);  

        InputStream is = p.getInputStream();  

        BufferedReader br = new BufferedReader(new InputStreamReader(is));  

        StringBuffer sbf = new StringBuffer();  

        String tmp = "";  

        while((tmp = br.readLine())!=null){  

            sbf.append(tmp);  
        }  
        //System.out.println(sbf.toString());  

        return sbf.toString();  
    }  


}

到这里，就得到了所需要的AJAX完整页面的代码字符串了，接下来就可以do whatever you want啦