使用Java实现爬虫

一、HttpClient实现模拟HTTP访问

1.1 HttpClient

HTTP 协议是 Internet 上使用得最多、最重要的协议之一，越来越多的 Java 应用程序需要直接通过 HTTP 协议来访问网络资源。虽然在 jdk 的 java net包中已经提供了访问 HTTP 协议的基本功能，但是对于大部分应用程序来说，JDK 库本身提供的功能还不够丰富和灵活。HttpClient 是 Apache Jakarta Common 下的子项目，用来提供高效的、最新的、功能丰富的支持 HTTP 协议的客户端编程工具包，并且它支持 HTTP 协议最新的版本和建议。HttpClient 已经应用在很多的项目中，比如 Apache Jakarta 上很著名的另外两个开源项目 Cactus 和 HTMLUnit 都使用了 HttpClient。Commons HttpClient项目现已终止，不再开发。 它已被Apache HttpComponents项目里的HttpClient和HttpCore模块取代，它们提供了更好的性能和更大的灵活性。

1.2 引入依赖

<dependency>    <groupId>org.apache.httpcomponentsgroupId>    <artifactId>httpclientartifactId>    <version>${httpclient.version}version>dependency><dependency>    <groupId>org.jsoupgroupId>    <artifactId>jsoupartifactId>    <version>${jsoup.version}version>dependency>

向项目中引入HttpClient和Jsoup依赖。

Jsoup用于解析获取的html文本，可以像JS一样通过id和class获取元素。同时Jsoup也可访问页面。

1.3 创建简单的请求操作

1.3.1 创建实例

public void testLinked() throws Exception {// 创建HttpClient对象   CloseableHttpClient httpClient = HttpClients.createDefault();   // 创建GET请求   HttpGet httpGet = new HttpGet("https://blog.csdn.net/weixin_43347659");   httpGet.setHeader("use-agent", "Mozilla/5.0 (windows NT 10.0; Win64; x64) AppleWEBKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36");   // 获取响应结果   CloseableHttpResponse response = httpClient.execute(httpGet);   if (response.getStatusLine().getStatusCode() == 200) {       String html = EntityUtils.toString(response.getEntity(), "UTF-8");       System.out.println(html);   }   httpClient.close();   response.close();}

HttpClient用于创建连接对象，如果请求方式为GET则可以创建HttpGet对象，若为POST请求可创建HttpPost对象，请求的参数为待访问的URL。

可以根据实际请求内容适当的增加header的内容。调用HttpClient的execute()方法发起请求，并创建一个CloseableHttpResponse响应对象，可以通过判断响应状态码确定请求的结果。

根据现在的一些防爬虫设置，可能需要在header添加固定的请求内容，例如host、origin等内容区分人机，可根据实际情况设置。

1.3.2 Jsoup应用

@Testpublic void testJsoup() throws Exception {    // 创建HttpClient    CloseableHttpClient httpClient = HttpClients.createDefault();    // 创建GET请求    HttpGet httpGet = new HttpGet("https://www.cnblogs.com/sam-uncle/cateGory/1469093.html");    httpGet.setHeader("user-agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36");    // 获取响应    CloseableHttpResponse response = httpClient.execute(httpGet);    // 获取页面内容    if (response.getStatusLine().getStatusCode() == 200) {        String html = EntityUtils.toString(response.getEntity(), "UTF-8");        // 创建Document对象        Document document = Jsoup.parse(html);        // 获取博客列表        Element blog = document.getElementsByClass("entrylist").first();        Elements blogList = blog.getElementsByClass("entrylistItem");        for (Element element : blogList) {            Elements title = element.select("a[class='entrylistItemTitle'] span");            System.out.println(title.text());        }    }    response.close();    httpClient.close();}

通过调用Jsoup的parse(String html)方法即可将原始的HTML页面解析为Document类，这样我们就能够通过getElementById(String attr)、getElementsByClass(String attr)、select(String classAttr)等方式获取页面中的标签元素。

Document类为org.jsoup.nodes.Document注意不要使用错类。

1.4 爬取过程中可能出现的问题

1.4.1 JS异步加载问题

随着前端技术的发展，在页面中应用ajax、Vue和angularJS等技术已经很普及，因此在使用HttpClient时会发现，响应的结果与页面不相同，或者响应的页面并没有所需的内容。

因此可以从其他的思路来实现，例如我们可以通过访问内部接口获取响应值，通过这种方法可以跳过对页面的分析，直接获取想要的结果。主要难点在于分析该内容调用的接口。

例如我们查看CSDN的博客页面，点击搜索框可看到CSDN会推送热门的搜索信息，但是如果查看当前页面的网页源码是无法搜索到该内容的。

此时我们可以打开F12，查看页面的所有请求

此时我们可以只选择Fetch/XHR查看页面所有调用的接口，从中找到正确的接口。根据实际请求中携带参数和header的信息，编写代码。

@Testpublic void testapi() {    CloseableHttpClient httpClient = HttpClients.createDefault();    HttpGet httpGet = new HttpGet("https://silkroad.csdn.net/api/v2/assemble/list/channel/search_hot_Word?new_hot_flag=1&channel_name=pc_hot_word&size=20&user_name=weixin_43347659&platfORM=pc&imei=10_20960811560-1623721797026-245775");    httpGet.setHeader("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36");    httpGet.setHeader("Accept", "application/JSON, text/javascript, **");    httpPost.setHeader("Accept-Encoding", "gzip, deflate, br");    httpPost.setHeader("Accept-Language", "zh-CN,zh;q=0.9");    httpPost.setHeader("Content-Type", "application/json;charset=UTF-8");    httpPost.setHeader("Host", "passport.csdn.net");    httpPost.setHeader("Origin", "https://passport.csdn.net");    httpPost.setHeader("Referer", "https://passport.csdn.net/login?code=applets");    // 配置登录参数    List<NameValuePair> pairList = new ArrayList<NameValuePair>();    pairList.add(new BasicNameValuePair("loginType", "1"));    pairList.add(new BasicNameValuePair("pwdOrVerifyCode", "password"));    pairList.add(new BasicNameValuePair("uaToken", ""));    pairList.add(new BasicNameValuePair("userIdentification", "username"));    pairList.add(new BasicNameValuePair("webUmidToken", ""));    httpPost.setEntity(new UrlEncodedFormEntity(pairList, HTTP.UTF_8));    CloseableHttpResponse response = httpClient.execute(httpPost);    if (response.getStatusLine().getStatusCode() == 200) {        System.out.println("登录成功");        // 这里要注销请求，否则会影响后续的请求        httpPost.abort();        HttpGet httpGet = new HttpGet("https://mall.csdn.net/myorder?spm=1001.2014.3001.5137");        httpGet.setHeader("user-agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/103.0.0.0 Safari/537.36");        CloseableHttpResponse response1 = httpClient.execute(httpGet);        if (response1.getStatusLine().getStatusCode() == 200) {            System.out.println("==============================开始打印页面==============================");            System.out.println(EntityUtils.toString(response1.getEntity()));            System.out.println("==============================结束打印页面==============================");        }        response1.close();    }    response.close();    httpClient.close();}

该案例为失败案例，由于登录方式多变，可能出现的验证码等人机校验，导致用户登录的难度加大，例如上述案例，直接访问登录接口后，会直接重定向到人机验证界面，导致无法正常登录。有些页面也存在在前端进行密码加密，导致无法获取正确的密码。

因此上述例子只是提供一个思路。

二、HtmlUtil实现JS异步加载页面

2.1 HtmlUtil

htmlunit 是一款开源的java 页面分析工具，读取页面后，可以有效的使用htmlunit分析页面上的内容。项目可以模拟浏览器运行，被誉为java浏览器的开源实现。是一个没有界面的浏览器，运行速度迅速。是junit的扩展之一。

2.2 引入依赖

<dependency><groupId>net.sourceforge.htmlunitgroupId><artifactId>htmlunitartifactId><version>${htmlutil.version}version>dependency>

2.3 创建简单的请求操作

2.3.1 创建实例

@Testpublic void testLinked() {    try (WebClient webClient = new WebClient(BrowserVersion.CHROME)) {        webClient.getOptions().setThrowExceptionOnScriptError(false);//当JS执行出错的时候是否抛出异常        webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);//当HTTP的状态非200时是否抛出异常        webClient.getOptions().setActiveXNative(false);        webClient.getOptions().setCSSEnabled(false);//是否启用CSS        webClient.getOptions().setJavaScriptEnabled(true); //很重要，启用JS        webClient.setAjaxController(new NicelyResynchronizingAjaxController());//很重要，设置支持AJAX        //开始请求网站        HtmlPage loginPage = webClient.getPage("https://ent.sina.com.cn/film/");        webClient.waitForBackgroundJavaScript(30000);//该方法阻塞线程        System.out.println("=================开始打印页面=================");        System.out.println(loginPage.asXml());        System.out.println("=================结束打印页面=================");    } catch (Exception e) {        e.printStackTrace();    }}

对webClient的配置很重要，尤其是setAjaxController()方法，使得模拟页面可以支持AJAX异步加载。

对于Vue和AngularJS渲染的页面HtmlUtil在其处理上也不是太好，加载JS也只能加载原始页面中包含的内容，

2.3.2 模拟浏览器操作

HtmlUtil可以创建一个无界面的浏览器，所以可以通过代码对文本框赋值和进行点击操作，完成一些简单的操作。示例：

@Testpublic void testSearch() {    WebClient webClient = new WebClient(BrowserVersion.CHROME);    // 设置当前的AJAX控制器    webClient.setAjaxController(new NicelyResynchronizingAjaxController());    // 设置CSS支持    webClient.getOptions().setCssEnabled(false);    // 设置JavaScript是否启用    webClient.getOptions().setJavaScriptEnabled(true);    // 设置ActiveX是否启用    webClient.getOptions().setActiveXNative(false);    // 设置访问错误时是否抛出异常    webClient.getOptions().setThrowExceptionOnFailingStatusCode(true);    // 设置JS报错时是否抛出异常    webClient.getOptions().setThrowExceptionOnScriptError(false);    try {        HtmlPage htmlPage = webClient.getPage("https://www.csdn.net/");        // 阻塞当前线程，直到指定时间后结束        webClient.waitForBackgroundJavaScript(10*1000);        // 获取搜索框        HtmlInput search = (HtmlInput) htmlPage.getByXPath("//*[@id=\"toolbar-search-input\"]").get(0);        search.setAttribute("value", "HtmlUtil用法");        // 点击搜索        HtmlButton button = (HtmlButton) htmlPage.getByXPath("//*[@id=\"toolbar-search-button\"]").get(0);        HtmlPage newHtmlPage = button.click();        System.out.println("=============打印页面=============");        System.out.println(newHtmlPage.asXml());        System.out.println("=============打印页面=============");    } catch (IOException e) {    e.printStackTrace();    }}

该示例通过访问CSDN的首页，为搜索框赋值，操作点击后可获取搜索结果。

由于CSDN的搜索结果是通过Vue框架加载，所以无法获取到最终的结果。

2.4 爬取待登录的页面

操作与2.3.2节类似，主要思路为获取登录页面，为表单元素添加用户名和密码，再通过click()方法点击登录按钮，提交表单，登录成功后会自动将cookie存放在WebClient中，可通过WebClient再次访问其他需要登录的页面。

相较于HttpClient，HtmlUtil可以直接操作页面比访问接口相对容易，但是针对于Vue框架和需要验证码登录的页面还是存在问题。

参考资料：

HtmlUnit 官网

HtmlUtil API文档

HttpClient 官网

HttpClient API文档

来源地址：https://blog.csdn.net/weixin_43347659/article/details/126162900