HtmlUnit爬取Ajax动态生成的网页以及自动调用页面javascript函数

lovelife110

发布于 2021-01-14 10:47:14

3K00

代码可运行

文章被收录于专栏：爱生活爱编程爱生活爱编程

运行总次数：0

代码可运行

HtmlUnit官网的介绍：

HtmlUnit是一款基于Java的没有图形界面的浏览器程序。它模仿HTML document并且提供API让开发人员像是在一个正常的浏览器上操作一样，获取网页内容，填充表单，点击超链接等等。

它非常好的支持JavaScript并且仍在不断改进，同时能够解析非常复杂的AJAX库，通过不同的配置来模拟Chrome、Firefox和IE浏览器。

本文针对一个足彩网站抓取的例子，来熟悉HtmlUnit

WebClient wc = new WebClient(BrowserVersion.FIREFOX_38);  
         wc.getOptions().setJavaScriptEnabled(true); //启用JS解释器，默认为true  
         wc.setJavaScriptTimeout(100000);//设置JS执行的超时时间
         wc.getOptions().setCssEnabled(false); //禁用css支持  
         wc.getOptions().setThrowExceptionOnScriptError(false); //js运行错误时，是否抛出异常  
         wc.getOptions().setTimeout(10000); //设置连接超时时间 ，这里是10S。如果为0，则无限期等待  
         wc.setAjaxController(new NicelyResynchronizingAjaxController());//设置支持AJAX
         wc.setWebConnection(
            new WebConnectionWrapper(wc) {
             public WebResponse getResponse(WebRequest request) throws IOException {
                       ......
                      }
            }
           
           );
         HtmlPage page = wc.getPage("http://XXXX.com/");
         FileWriter fileWriter = new FileWriter("D:\\text.html");
         String str = "";
         //获取页面的XML代码
         str = page.asXml();
         fileWriter.write( str );
         //关闭webclient
         wc.close();
         fileWriter.close();

解决数据乱码问题

该网站数据是由js动态载入，并且js有2种编码：

可以通过重写WebConnectionWrapper类的getResponse方法来修改返回值

例如，对bfdata.js的返回结果做修改

wc.setWebConnection(
   new WebConnectionWrapper(wc) {
    public WebResponse getResponse(WebRequest request) throws IOException {
                 WebResponse response = super.getResponse(request);
                 if (request.getUrl().toExternalForm().contains("bfdata.js")) {
                     String content = response.getContentAsString("GBK");
                     WebResponseData data = new WebResponseData(content.getBytes("UTF-8"),
                             response.getStatusCode(), response.getStatusMessage(), response.getResponseHeaders());
                     response = new WebResponse(data, request, response.getLoadTime());
                 }
                 return response;
             }
   }
  
  );

解决Content is not allowed in prolog

报错信息：

六月 21, 2016 4:15:06 下午 com.gargoylesoftware.htmlunit.xml.XmlPage <init>
警告: Failed parsing XML document http://XXX/vbsxml/goalBf3.xml?r=0071466496906000: Content is not allowed in prolog.
六月 21, 2016 4:15:06 下午 com.gargoylesoftware.htmlunit.javascript.JavaScriptEngine handleJavaScriptException
信息: Caught script exception
======= EXCEPTION START ========
EcmaError: lineNumber=[41] column=[0] lineSource=[<no source>] name=[TypeError] sourceName=[http://XXX/common2.js] message=[TypeError: Cannot read property "childNodes" from null (http://XXX/common2.js#41)]
com.gargoylesoftware.htmlunit.ScriptException: TypeError: Cannot read property "childNodes" from null (http://XXX/common2.js#41)
    at com.gargoylesoftware.htmlunit.javascript.JavaScriptEngine$HtmlUnitContextAction.run(JavaScriptEngine.java:865)
    at net.sourceforge.htmlunit.corejs.javascript.Context.call(Context.java:628)
    at net.sourceforge.htmlunit.corejs.javascript.ContextFactory.call(ContextFactory.java:513)
    at com.gargoylesoftware.htmlunit.javascript.JavaScriptEngine.execute(JavaScriptEngine.java:747)
    at com.gargoylesoftware.htmlunit.html.HtmlPage.loadExternalJavaScriptFile(HtmlPage.java:1032)
    at com.gargoylesoftware.htmlunit.html.HtmlScript.executeScriptIfNeeded(HtmlScript.java:395)
    at com.gargoylesoftware.htmlunit.html.HtmlScript$3.execute(HtmlScript.java:276)

其中警告信息：Content is not allowed in prolog是导致后面报错的原因，而Content is not allowed in prolog是因为解析内容内包含BOM。这个标记是看不到的，而在流里面有这个标记。

因此可以通过以下代码来截取你需要的内容

wc.setWebConnection(
   new WebConnectionWrapper(wc) {
    public WebResponse getResponse(WebRequest request) throws IOException {
                 WebResponse response = super.getResponse(request);
                 if(request.getUrl().toExternalForm().contains("goalBf3.xml")){
                   String content = response.getContentAsString("UTF-8");
                      if(null != content && !"".equals(content)){  
                       if(content.indexOf("<") != -1 && content.lastIndexOf(">") != -1 && content.lastIndexOf(">") > content.indexOf("<"))  
                        content = content.substring(content.indexOf("<"), content.lastIndexOf(">") + 1);  
                      } 

                   WebResponseData data = new WebResponseData(content.getBytes("UTF-8"),
                                 response.getStatusCode(), response.getStatusMessage(), response.getResponseHeaders());
                         response = new WebResponse(data, request, response.getLoadTime());
                 }
                 return response;
             }
   }
  
  );

调用页面javascript函数

该网站有些数据是通过鼠标悬停来获得数据

我们可以通过page.executeJavaScript来执行js

例如：

HtmlPage page = wc.getPage("http://xxx.com/");
wc.waitForBackgroundJavaScript(30 * 1000); /* will wait JavaScript to execute up to 30s */
ScriptResult result = page.executeJavaScript("document.getElementById('pk_1248827').onmouseover(window.event)");
HtmlPage jspage = (HtmlPage) result.getNewPage();

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2018/02/23 ，如有侵权请联系 cloudcommunity@tencent.com 删除

java