Java爬虫（Jsoup与WebDriver）

一、Jsoup爬虫

jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。

以博客园首页为例

1、idea新建maven工程

pom.xml导入jsoup依赖

<dependency>
      <groupId>org.jsoup</groupId>
      <artifactId>jsoup</artifactId>
      <version>1.12.1</version>
</dependency>

jsoup代码

package com.blb;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import java.io.IOException;

public class jsoup {

    public static void main(String[] args) {

        //博客园首页url
        final String url=  "https://www.cnblogs.com";
        try {
            //先获得的是整个页面的html标签页面
            Document doc= Jsoup.connect(url).get();
            System.out.println(doc);
            //可以通过元素的标签获取html中的特定元素
            Elements title = doc.select("title");
            String t = title.text();
            System.out.println(t);
            //可以通过元素的id获取html中的特定元素
            Element site_nav_top = doc.getElementById("site_nav_top");
            String s = site_nav_top.text();
            System.out.println(s);

        } catch (IOException e) {
            e.printStackTrace();
        }

    }
}

该方式有个很大的局限性，就是通过jsoup爬虫只适合爬静态网页，所以只能爬当前页面的信息。

二、Webdriver技术

Selenium是一个浏览器自动化操作框架。selenium主要由三种工具组成。
1.第一个工具——SeleniumIDE，是Firefox的扩展插件，支持用户录制和回访测试。录制/回访模式存在局限性，对许多用户来说并不适合。

2.因此第二个工具——Selenium WebDriver提供了各种语言环境的API来支持更多控制权和编写符合标准软件开发实践的应用程序。

3.最后一个工具——SeleniumGrid帮助工程师使用Selenium API控制分布在一系列机器上的浏览器实例，支持并发运行更多测试。

在项目内部，它们分别被称为“IDE”、“WebDriver”和“Grid”。

什么是 Webdriver ？
官网介绍：
WebDriver is a clean, fast framework for automated testing of webapps.（WebDriver是一个干净、快速的web应用自动测试框架。）

WebDriver针对各个浏览器而开发，取代了嵌入到被测Web应用中的JavaScript。与浏览器的紧密集成支持创建更高级的测试，避免了JavaScript安全模型导致的限制。除了来自浏览器厂商的支持，WebDriver还利用操作系统级的调用模拟用户输入。WebDriver支持Firefox(FirefoxDriver)、IE (InternetExplorerDriver)、Opera (OperaDriver)和Chrome (ChromeDriver)。 它还支持Android (AndroidDriver)和iPhone (IPhoneDriver)的移动应用测试。它还包括一个基于HtmlUnit的无界面实现，称为HtmlUnitDriver。WebDriver API可以通过Python、Ruby、Java和C#访问，支持开发人员使用他们偏爱的编程语言来创建测试。

WebDriver如何工作

WebDriver是W3C的一个标准，由Selenium主持。

具体的协议标准可以从http://code.google.com/p/selenium/wiki/JsonWireProtocol#Command_Reference 查看。

从这个协议中我们可以看到，WebDriver之所以能够实现与浏览器进行交互，是因为浏览器实现了这些协议。这个协议是使用JOSN通过HTTP进行传输。

它的实现使用了经典的Client-Server模式。客户端发送一个requset，服务器端返回一个response。

我们明确几个概念。

Client

调用 WebDriverAPI的机器。

Server

运行浏览器的机器。Firefox浏览器直接实现了WebDriver的通讯协议，而Chrome和IE则是通过ChromeDriver和InternetExplorerDriver实现的。

Session

服务器端需要维护浏览器的Session，从客户端发过来的请求头中包含了Session信息，服务器端将会执行对应的浏览器页面。

WebElement

这是WebDriverAPI中的对象，代表页面上的一个DOM元素。

实现：

1.下载浏览器驱动，用的是Chrome浏览器，下载地址http://chromedriver.storage.googleapis.com/index.html，按对应浏览器版本号下载

2、idea新建maven工程

pom.xml导入入selinium依赖

 <dependency>
      <groupId>org.seleniumhq.selenium</groupId>
      <artifactId>selenium-java</artifactId>
      <version>3.141.59</version>
 </dependency>

代码实现：

package com.blb;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.select.Elements;
import org.openqa.selenium.By;
import org.openqa.selenium.WebDriver;
import org.openqa.selenium.chrome.ChromeDriver;

public class chrome {

    public static void main(String[] args) {
        //下载的chromedriver位置
        System.setProperty("webdriver.chrome.driver","D:\idea_workspace\Jsoup\src\main\chromedriver.exe");
        //实例化ChromeDriver对象
        WebDriver driver = new ChromeDriver();
        String url="https://search.51job.com/list/000000,000000,0000,00,9,99,%25E5%25A4%25A7%25E6%2595%25B0%25E6%258D%25AE%25E5%25B7%25A5%25E7%25A8%258B%25E5%25B8%2588,2,1.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=";
        //打开指定网站
        driver.get(url);
        //解析页面
        String pageSource =driver.getPageSource();
        Document jsoup = Jsoup.parse(pageSource);
        //定义选择器规则
        String rule="#resultList > div:nth-child(4) > p > span > a";
        //通过选择器拿到元素
        Elements select = jsoup.select(rule);
        String s=select.text();
        System.out.println(s);
        //模拟浏览器点击
        driver.findElement(By.cssSelector(rule)).click();
       
    }
}

爬取电影资源：

package com.blb;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import org.openqa.selenium.WebDriver;
import org.openqa.selenium.chrome.ChromeDriver;


public class getMovie {

    private static final String url="http://www.zuidazy5.com";

    public static void main(String[] args) {
        System.setProperty("webdriver.chrome.driver","D:\idea_workspace\Jsoup\src\main\chromedriver.exe");
        WebDriver driver = new ChromeDriver();
        driver.get(url);
        String pageSource = driver.getPageSource();
        Document jsoup = Jsoup.parse(pageSource);
        String rule1="body > div.xing_vb > ul> li > span.xing_vb4 > a";
        Elements select = jsoup.select(rule1);
        //遍历当前页的所有电影详情入口
        for (Element e:select)
        {
            //获取电影详情页链接
            String href = e.attr("href");
            //进入每个电影详情页面
            driver.get(url+href);
            String pageSource2= driver.getPageSource();
            Document jsoup2 = Jsoup.parse(pageSource2);

            //定义获取电影信息元素的规则
            String mname="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodh > h2";
            String mpic="body > div.warp > div:nth-child(1) > div > div > div.vodImg > img";
            String mdirector="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(2) > span";
            String mactor="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(3) > span";
            String marea="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(5) > span";
            String mlanguage="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(6) > span";
            String mshowtime="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(7) > span";
            String mscore="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodh > label";
            String mtimelength="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(8) > span";
            String mlastmodifytime="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li:nth-child(9) > span";
            String minfo="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodinfobox > ul > li.cont > div > span.more";
            String mplayaddress1="#play_1 > ul > li";
            String mplayaddress2="#play_2 > ul > li";
            String msv="body > div.warp > div:nth-child(1) > div > div > div.vodInfo > div.vodh > span";

            //获取元素信息
            String sv=jsoup2.select(msv).text();
            String name = jsoup2.select(mname).text();
            String pic = jsoup2.select(mpic).attr("src");
            String director=jsoup2.select(mdirector).text();
            String actor=jsoup2.select(mactor).text();
            String area=jsoup2.select(marea).text();
            String language=jsoup2.select(mlanguage).text();
            String showtime=jsoup2.select(mshowtime).text();
            String score=jsoup2.select(mscore).text();
            String timelength=jsoup2.select(mtimelength).text();
            String lastmodifytime=jsoup2.select(mlastmodifytime).text();
            String info=jsoup2.select(minfo).text();
            String playaddress1 = jsoup2.select(mplayaddress1).text();
            String playaddress2=jsoup2.select(mplayaddress2).text();

            //打印电影名
            System.out.println(name);
        }
    }
}

 为了不显示浏览器爬取过程，可以将 chromedriver.exe 换成无头浏览器 phantomjs.exe

下载地址：https://phantomjs.org/download.html