java调用phantomjs采集ajax加载生成的网页

java调用phantomjs采集ajax加载生成的网页

日前有采集需求，当我把所有的对应页面的链接都拿到手，准备开始根据链接去采集（写爬虫爬取）对应的终端页的时候，发觉用程序获取到的数据根本没有对应的内容，可是我的浏览器看到的内容明明是有的，于是浏览器查看源代码也发觉没有，此时想起该网页应该是ajax加载的。不知道ajax的小朋友可以去学下web开发啦。

    采集ajax生成的内容手段不外乎两种。一种是通过http观察加载页面时候的请求，然后我们模仿该请求去得到对应的内容，第二种则是模仿浏览器行为去渲染这个页面得到内容。我在这里决定采用第二种方式，之前一直玩webkit，不过一直要加载页面太浪费资源了，此时了解到有一个好玩的玩意phantomjs，这是个可以用命令行来操作webkit的玩意，然后也可以直接在里面用js的api去操作页面（当然，我这边比较简单就懒得用了）。

    下载完phantomjs之后直接解压就可以使用，然后在path目录加入phantomjs的路径（以便直接在命令行就可以执行phantomjs命令）。

    接下来要完成个代码，一个是用phantomjs去获取页面（采用js编写行为），一个是采用java去调用phantomjs来达到获取内容的作用，接下来直接贴代码。

 

//codes.js
system = require('system')
address = system.args[1];//获得命令行第二个参数 接下来会用到
//console.log('Loading a web page');
var page = require('webpage').create();
var url = address;
//console.log(url);
page.open(url, function (status) {
    //Page is loaded!
    if (status !== 'success') {
        console.log('Unable to post!');
    } else {
        //console.log(page.content);
        //var title = page.evaluate(function() {
        //  return document.title;//示范下如何使用页面的jsapi去操作页面的  www.oicqzone.com
        //  });
        //console.log(title);

        console.log(page.content);
    }
    phantom.exit();
});

 

 

上述的js代码估计应该没几个看不懂的。。。

 

接下来贴java代码！

 

import org.apache.commons.io.IOUtils;

import java.io.*;

/**
 * Created with IntelliJ IDEA.
 * User: lsz
 * Date: 14-4-22
 * Time: 下午1:17
 * utils for http
 */
public class HttpUtils {
    public static String getAjaxCotnent(String url) throws IOException {
        Runtime rt = Runtime.getRuntime();
        Process p = rt.exec("phantomjs.exe c:/phantomjs/codes.js "+url);//这里我的codes.js是保存在c盘下面的phantomjs目录
        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();
    }

    public static void main(String[] args) throws IOException {
        getAjaxCotnent("http://www.oicqzone.com");
    }
}

 

 

其实原理很简单，就是通过进程间通信用java调用phantomjs这个组件去请求渲染页面，不过这种做法因为每次都要重新启动phantomjs进程，所以比较慢，还有另外一种直接用phantomjs加载页面后，把内容post给我们自定义的一个http后端接收数据，会更快一点。