java使用phantomJs抓取动态页面
来源:互联网 发布:河源优化公司 编辑:程序博客网 时间:2024/05/17 11:56
1. phantomjs的镜像网站:http://npm.taobao.org/dist/phantomjs/
然后是js文件,
2. phantomjs内置webkit内核,也就是chrome的内核。可以无界面加载页面,指的是和浏览器上面的页面一致,也就是解析完js的页面。所以需要爬取或者获得动态页面的,这算是利器。
3.之前自己也试了HttpUnit,不行的。网上找到的例子自己运行不了。报错太多。但是有没有文档,因为HttpUnit是2008年出的。官网上面啥也没有。所以我也没有资料参考,就放弃了。
4. 开始使用phantomjs,发现phantomjs算是动态爬取网页的主流。当然,所谓动态爬取从来不是问题,问题是速度。直接使用webkit等浏览器内核还是比较麻烦,而且速度不理想。
5. 自己使用的java + phantomjs在window上面开发。放到ubuntu上面。
首先是安装,其实window版下载解压即可。但是如果你想要直接在cmd可以使用phantomjs的命令,请把bin下面的phantomjs.exe文件路径添加到path里面。此处程序不要依赖path路径。也就是直接使用绝对路径。当然绝对路径里面使用了项目的相对路径。这样是为了更好的迁移。phantomJS的使用过程就是java程序调用phantomJS调用js文件来获取指定页面,然后传回相应的内容。
先给出代码:java端
public class JSUtil{// 如果要更换运行环境,请注意exePath最后的phantom.exe需要更改。因为这个只能在window版本上运行。前面的路径名// 也需要和exePath里面的保持一致。否则无法调用private static String projectPath = System.getProperty("user.dir");private static String jsPath = projectPath + File.separator + "huicong.js";private static String exePath = projectPath + File.separator + "phantomjs" + File.separator + "bin" + File.separator+ "phantomjs.exe";public static void main(String[] args) throws IOException, SAXException{// 测试调用。传入url即可String html = getParseredHtml2("http://huisheng99.b2b.hc360.com/");System.out.println("html: " + html);}// 调用phantomjs程序,并传入js文件,并通过流拿回需要的数据。public static String getParseredHtml2(String url) throws IOException{Runtime rt = Runtime.getRuntime();Process p = rt.exec(exePath + " " + jsPath + " " + 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);}String[] result = sbf.toString().split("companyServiceMod");String result2 = "";if(result.length >= 2){ result2 = result[1];if(result2.length() > 200){result2 = result2.substring(0, 200);}}//System.out.println("resut2: "+result2);return result2;}}
然后是js文件,
var page = require('webpage').create(), system = require('system'), t, address;//写入文件,用来测试。正式版本可以注释掉用来提高速度。var fs = require("fs");//读取命令行参数,也就是js文件路径。if (system.args.length === 1) { console.log('Usage: loadspeed.js <some URL>');//这行代码很重要。凡是结束必须调用。否则phantomjs不会停止 phantom.exit();}page.settings.loadImages = false; //为了提升加载速度,不加载图片page.settings.resourceTimeout = 10000;//超过10秒放弃加载//此处是用来设置截图的参数。不截图没啥用page.viewportSize = { width: 1280, height: 800};block_urls = ['baidu.com'];//为了提升速度,屏蔽一些需要时间长的。比如百度广告page.onResourceRequested = function(requestData, request){ for(url in block_urls) { if(requestData.url.indexOf(block_urls[url]) !== -1) { request.abort(); //console.log(requestData.url + " aborted"); return; } } }t = Date.now();//看看加载需要多久。address = system.args[1];page.open(address, function(status) { if (status !== 'success') { console.log('FAIL to load the address'); } else { t = Date.now() - t;//此处原来是为了提取相应的元素。只要可以用document的,还是看可以用。但是自己的无法用document,只能在用字符分割在java里。 // var ua = page.evaluate(function() { // return document.getElementById('companyServiceMod').innerHTML; // }); // fs.write("qq.html", ua, 'w'); // console.log("测试qq: "+ua); //console.log就是传输回去的内容。 console.log('Loading time ' + t + ' msec'); console.log(page.content); setTimeout(function(){ phantom.exit(); }, 6000); } phantom.exit();});
请把js文件放到java的程序里面指定的路径。二者要一直。建议就是项目的根目录下面。
此处我是放在了项目的根目录下面。文件名是huicong.js
6. 有一个巨大的问题,就是速度。官网解释如下:
stackoverflow给出的,如果截图,10秒算是正常。可以体会一下其速度。
然后自己查了一下stackoverflow,找到了一个很好的回答。
http://stackoverflow.com/questions/42703760/phantomjs-open-too-slow
表示感谢。具体就是三点:
6.1. 换个好点的电脑。
6.2. 不加载图片。参考上面的js文件。
6.3. 屏蔽相关广告等。参考上面的js文件。自己用了,成功吧时间压缩到2s。
7.自己是为了提取一个div里面的qq链接。但是没有找到怎么用dom来做。所以就直接传回整个page,然后手动用字符串解析。这里也许可以用各种selector。但是自己没有研究。
0 0
- java使用phantomJs抓取动态页面
- java使用phantomJs抓取动态页面
- 使用phantomjs抓取JS动态生成的页面
- 使用phantomjs抓取JS动态生成的页面
- PhantomJs+MutationObserver实现动态页面数据抓取
- Python使用Selenium + PhantomJS抓取动态网页:今日头条
- Java爬虫——phantomjs抓取ajax动态加载网页
- Java爬虫——phantomjs抓取ajax动态加载网页
- 使用phantomjs+java 爬取AJAX页面
- 利用phantomjs抓取js生成的页面
- NodeJS + PhantomJS 抓取页面信息以及截图
- NodeJS + PhantomJS 抓取页面信息以及截图
- NodeJS + PhantomJS 抓取页面信息以及截图
- python使用spynner抓取动态页面数据
- Python爬虫使用Selenium+PhantomJS抓取Ajax和动态HTML内容
- 抓取动态页面
- 动态页面抓取
- python phantomjs+ selenium2 抓取动态js网页(版本python2.7+)
- 类加载机制(类加载过程和类加载器)
- mysql嵌套查询
- EditText只能输入2位小数及一个小数点
- 谭浩强 C++ 类和对象
- 看板与Scrum
- java使用phantomJs抓取动态页面
- Android 校验IP的正则表达式
- springboot多模块(modules)开发
- spark streaming 读取kafka数据问题
- CSS3D--立方体
- 算法导论最长公共子序列
- HTML5 from表单
- Cocos2d-js JSB绑定学习笔记
- Java内存溢出及解决办法