[Jsoup] 使用HtmlUnit + Jsoup解析js动态生成的网页

xiaoxiao2021-02-28  3

版权所有:  bluetata  dietime1943@gmail.com本文地址:  http://blog.csdn.net/dietime1943/article/details/79035779转载请注明来源/作者

在使用Jsoup过程中会遇到无法解析通过javascript动态生成的html网页, 在Jsoup交流群中也经常会有人问到这个问题, 本文的解决办法是使用HtmlUnit+Jsoup来解析动态dynamic网页.

一般会出现动态js加载的网页源码为, 某些关键性数据, 比如某简历网站的年份, 薪金等敏感数据信息, 也比如某些网站动态加载出来的新闻, 公告, 也比如某些网站在生成快照的时候的更新时间, 这些都可能是通过js动态生成的DOM元素后进行加载的.

Jsoup专注的是解析html, 利用类似JQuery的API进行快速解析html, 并没有将自身的定位于模拟浏览器上, 所以并不是现阶段某些人说的Jsoup对于模拟浏览器不足等等, 希望大家在给同事讲解或者写博客的时候注明。而对于模拟浏览器, 进行无窗口化的访问, 有很多优秀的开源框架, 比如HttpClient, 也比如今天介绍的HtmlUnit, 亦或者Selenium.

 现如今为止Jsoup-1.10.4是无法动态加载js内容的, 官方作者Jonathan Hedley给予的回复是:“Javascript is not supported. Jsoup parses HTML.”。HtmlUnit和Selenium本身都是做测试的开源框架, 本身Selenium底层也使用了HtmlUnit, 所以在本文直接介绍使用HtmlUnit进行处理动态js加载的Html问题.

如果是使用Maven构建项目, 请参照如下的配置, 如果是直接导入jar包, 直接到官网下载或者加博文后的Jsoup交流群, 在群文件中可以下载jar包和API帮助文档

[html]  view plain  copy <!-- https://mvnrepository.com/artifact/net.sourceforge.htmlunit/htmlunit -->  <dependency>      <groupId>net.sourceforge.htmlunit</groupId>      <artifactId>htmlunit</artifactId>      <version>2.29</version>  </dependency>   示例代码: [java]  view plain  copy     public static void main(String[] args) throws FailingHttpStatusCodeException, MalformedURLException, IOException {                    // 屏蔽HtmlUnit等系统 log          LogFactory.getFactory().setAttribute("org.apache.commons.logging.Log","org.apache.commons.logging.impl.NoOpLog");          java.util.logging.Logger.getLogger("com.gargoylesoftware").setLevel(Level.OFF);          java.util.logging.Logger.getLogger("org.apache.http.client").setLevel(Level.OFF);            String url = "https://bluetata.com/";          System.out.println("Loading page now-----------------------------------------------: "+url);                    // HtmlUnit 模拟浏览器          WebClient webClient = new WebClient(BrowserVersion.CHROME);          webClient.getOptions().setJavaScriptEnabled(true);              // 启用JS解释器,默认为true          webClient.getOptions().setCssEnabled(false);                    // 禁用css支持          webClient.getOptions().setThrowExceptionOnScriptError(false);   // js运行错误时,是否抛出异常          webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);          webClient.getOptions().setTimeout(10 * 1000);                   // 设置连接超时时间          HtmlPage page = webClient.getPage(url);          webClient.waitForBackgroundJavaScript(30 * 1000);               // 等待js后台执行30秒            String pageAsXml = page.asXml();                    // Jsoup解析处理          Document doc = Jsoup.parse(pageAsXml, "https://bluetata.com/");            Elements pngs = doc.select("img[src$=.png]");                   // 获取所有图片元素集          // 此处省略其他操作          System.out.println(doc.toString());      }  

 Jsoup学习讨论QQ群:50695115

 Jsoup爬虫代码示例及博客内源码下载:https://github.com/bluetata/crawler-jsoup-maven

 更多Jsoup相关文章,请查阅专栏:【Jsoup in action】

本文原创由`bluetata`发布于blog.csdn.net、转载请务必注明出处。

转载请注明原文地址: https://www.6miu.com/read-1750368.html

最新回复(0)