1、引言
在当今信息爆炸的时代,网络数据的获取和处理变得至关重要。对于 Java 开发者而言,掌握高效的网页抓取技术是提升数据处理能力的关键。本文将深入探讨三款广受欢迎的 Java 网页抓取工具:Jsoup、HtmlUnit 和 WebMagic,分析它们的功能特点、优势以及适用场景,以助开发者选择最适合自己项目需求的工具。
2、Jsoup
2.1、简介
Jsoup 是一款 Java 编写的开源 HTML 解析器,它提供了一套丰富的 API,用于解析、操作和清理 HTML 文档。Jsoup 能够从网页中提取数据,并且广泛应用于网络爬虫、数据挖掘和自动化测试等领域。
Jsoup 官方网站
2.2、特性
- 轻量级:Jsoup 作为一个轻量级的库,不需要额外的服务器或复杂的配置即可使用。
- 解析能力:能够从 HTML 文件、字符串或 URL 中解析文档,并提取数据。
- 强大的选择器:支持 CSS 选择器和正则表达式,使得数据提取更加灵活和高效。
- 易于使用:API 设计直观,易于上手,适合初学者和有经验的开发者。
- 处理异常:能够处理 HTML 文档中的异常情况,如不完整的标签等。
2.3、优点
- 易学易用:Jsoup 的 API 设计简单直观,学习成本低。
- 灵活性:支持多种数据提取方式,适应不同的数据抽取需求。
- 社区支持:作为一个成熟的开源项目,Jsoup 拥有活跃的社区,方便获取帮助和资源。
2.4、缺点
- 不支持 JavaScript:无法直接处理 JavaScript 动态加载的内容。
- 性能限制:对于大型或复杂的 HTML 文档,解析速度可能不如其他专业的解析工具。
- 安全风险:如果不正确使用,可能会引入跨站脚本攻击(XSS)等安全问题。
2.5、使用场景
- 静态网页爬取:适用于从不需要执行 JavaScript 的静态网页中提取信息。
- 数据提取:从网页中提取链接、图片、文本等数据。
- 自动化测试:在 Web 应用程序的自动化测试中,用于模拟用户操作和验证页面内容。
- 内容清洗:清理 HTML 文档,移除不需要的元素或属性,确保输出的 HTML 是安全和干净的。
2.6、注意事项
- JavaScript 渲染:Jsoup 不执行 JavaScript,因此无法直接从依赖 JavaScript 动态生成的内容中提取数据。
- 编码问题:在处理非标准编码的 HTML 文档时,可能需要手动设置字符编码。
- 异常处理:虽然 Jsoup 能够处理一些异常情况,但对于某些复杂的 HTML 结构,可能需要额外的处理逻辑。
2.7、示例代码
如果你使用的是 Maven,可以在 pom.xml 文件中添加以下依赖
<!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.17.2</version> <!-- 请使用最新版本 -->
</dependency>
以下是一个简单的 Jsoup 示例代码,演示了如何抓取百度首页上的热门搜索新闻:
public class JsoupExample {
public static void main(String[] args) {
// 目标网页 URL
String url = "https://www.baidu.com";
try {
// 连接到网页并获取文档对象
Document doc = Jsoup.connect(url).get();
// 获取百度首页热搜
Elements hotSearchList = doc.selectXpath("//*[@id=\"hotsearch-content-wrapper\"]/li");
System.out.println("今日百度热搜:");
// 遍历所有热搜新闻
for (Element hotSearch : hotSearchList) {
Elements newsMetaList = hotSearch.selectXpath(".//span");
for (Element newsMeta : newsMetaList) {
System.out.print(newsMeta.text() + " ");
}
System.out.print("\n");
}
} catch (Exception e) {
e.printStackTrace();
}
}
}
运行结果截图如下:
Jsoup 主要用于静态网页的内容抓取,对于使用 Vue.js 等现代 JavaScript 框架构建的动态网站,其直接获取页面内容的能力受限。由于 Vue.js 等框架通过 JavaScript 动态生成页面内容,Jsoup 无法执行相应的脚本,因此可能无法获取到完整的、动态渲染的数据。
因此,使用 Jsoup 爬取这类网站时,通常只能获取到初始的、不包含动态数据的HTML结构。结果如下:
<!doctype html>
<html>
<head>
<meta charset="utf-8">
</head>
<body>
<div id="app"></div>
</body>
</html>
3、HtmlUnit
3.1、简介
HtmlUnit 是一个用 Java 编写的无界面浏览器,它模拟 HTML 文档并提供了一系列 API,允许开发者以编程方式与网页进行交互。这个工具可以用于自动化测试、网络爬虫以及自动化网页交互等场景。HtmlUnit 支持 JavaScript(通过 Mozilla Rhino 引擎),并且能够处理 AJAX 功能,使得它能够与现代的动态网页进行交互。
HtmlUnit 官方网站
HtmlUnit GitHub
3.2、特性
- 无界面:HtmlUnit 不需要图形用户界面,可以在服务器或后台环境中运行。
- 支持 JavaScript:内置 Rhino JavaScript 引擎,可以执行 JavaScript 代码,处理 AJAX 请求。
- 模拟浏览器行为:可以模拟用户在浏览器中的操作,如点击、表单提交等。
- 多浏览器模拟:可以模拟多种浏览器,如 Chrome、Firefox、Internet Explorer 等。
- 丰富的 API:提供了丰富的 API 来操作网页元素,如获取、设置属性、执行事件等。
3.3、优点
- 易用性:HtmlUnit 的 API 设计简单直观,易于上手和使用。
- 跨平台:作为无界面浏览器,HtmlUnit 可以在任何支持Java的平台上运行。
- 社区支持:作为一个成熟的开源项目,HtmlUnit 拥有活跃的社区,可以方便地获取帮助和资源。
3.4、缺点
- 性能:由于 HtmlUnit 需要解释 JavaScript,对于复杂的 JavaScript 操作,性能可能不如真实浏览器。
- 兼容性:虽然支持多种浏览器特性,但仍有可能遇到一些网页在 HtmlUnit 中无法正确渲染或表现的问题。
- 更新维护:随着 Web 技术的发展,HtmlUnit 需要不断更新以支持新的Web标准和特性,这可能导致版本间的不兼容问题。
3.5、使用场景
- 自动化测试:用于 Web 应用程序的功能测试,模拟用户操作验证应用程序的行为。
- 网络爬虫:抓取网站数据,提取信息,适用于数据分析、数据挖掘等。
- Web 自动化:自动化执行 Web 相关的任务,如登录、下载文件、填写并提交表单等。
3.6、注意事项
- CSS 和 JavaScript 支持:HtmlUnit 对 CSS 和 JavaScript 的支持可能不如真实浏览器完美,有时候需要禁用 CSS 和 JavaScript 来避免潜在的问题。
- 异常处理:在处理 JavaScript 错误时,可以通过设置来防止测试因脚本错误而失败。
- 版本兼容性:使用 HtmlUnit 时,需要注意库的版本与依赖的其他库的兼容性,以及与目标网站的 JavaScript 和 CSS 的兼容性。
3.7、示例代码
如果你使用的是 Maven,可以在 pom.xml 文件中添加以下依赖
<!-- https://mvnrepository.com/artifact/org.htmlunit/htmlunit -->
<dependency>
<groupId>org.htmlunit</groupId>
<artifactId>htmlunit</artifactId>
<version>4.0.0</version> <!-- 请使用最新版本 -->
</dependency>
以下是一个简单的 HtmlUnit 示例代码,演示了如何抓取百度首页上的热门搜索新闻:
public class HtmlUnitExample {
public static void main(String[] args) {
// 目标网页 URL
String url = "https://www.baidu.com";
WebClient webClient = getWebClient();
try {
// 打开网页
HtmlPage page = webClient.getPage(url);
// 获取网页标题
String title = page.getTitleText();
System.out.println("网页标题: " + title);
// 获取百度首页热搜
List<DomElement> hotSearchList = page.getByXPath("//*[@id=\"hotsearch-content-wrapper\"]/li");
System.out.println("今日百度热搜:");
// 遍历所有热搜新闻
for (DomElement hotSearch : hotSearchList){
List<DomElement> newsMetaList = hotSearch.getByXPath(".//span");
for (DomElement newsMeta : newsMetaList) {
System.out.print(newsMeta.asNormalizedText() + " ");
}
System.out.print("\n");
}
} catch (Exception e) {
e.printStackTrace();
} finally {
// 关闭WebClient,释放资源
webClient.close();
}
}
/**
* <h2>获取一个 Web 模拟浏览器客户端</h2>
*/
public static WebClient getWebClient(){
// 浏览器设置
WebClient webClient = new WebClient(BrowserVersion.CHROME);
// ajax
webClient.setAjaxController(new NicelyResynchronizingAjaxController());
// 支持js
webClient.getOptions().setJavaScriptEnabled(true);
// 忽略js错误
webClient.getOptions().setThrowExceptionOnScriptError(false);
// 忽略css错误
webClient.setCssErrorHandler(new SilentCssErrorHandler());
// 不执行CSS渲染
webClient.getOptions().setCssEnabled(false);
// 超时时间
webClient.getOptions().setTimeout(3000);
// 允许重定向
webClient.getOptions().setRedirectEnabled(true);
// 允许cookie
webClient.getCookieManager().setCookiesEnabled(true);
return webClient;
}
}
运行结果截图如下:
4、WebMagic
4.1、简介
WebMagic 是一个简单灵活的 Java 爬虫框架。基于 WebMagic,你可以快速开发出一个高效、易维护的爬虫。
WebMagic 官方网站
WebMagic 总体架构图如下:
4.2、特性
- 简洁的 API:WebMagic 提供了简单直观的 API,使得开发者可以快速编写爬虫程序。
- 强大的抽取能力:支持多种数据抽取方式,包括 XPath、正则表达式等,方便从网页中提取所需数据。
- 多线程处理:WebMagic 内部采用多线程进行页面抓取,提高了爬取效率。
- 自动重试机制:在请求失败时,WebMagic 能够自动重试,增强了爬虫的稳定性。
- 灵活的数据处理:允许开发者自定义数据处理逻辑,可以将数据存储到数据库、文件或进行其他处理。
- Site 对象:封装了目标网站的一些基本信息,如编码、重试次数、抓取间隔等,方便配置和调整。
4.3、优点
- 易学易用:WebMagic 的 API 设计简单,学习成本低,适合初学者快速上手。
- 高效稳定:内置多线程处理和自动重试机制,提高了爬虫的效率和稳定性。
- 灵活性:支持自定义数据处理,可以轻松应对不同的数据存储和处理需求。
4.4、缺点
- 社区支持:相比于其他流行的爬虫框架,WebMagic 的社区可能相对较小,资源和支持可能有限。
- 更新维护:Web 技术不断发展,WebMagic 需要不断更新以适应新的网页结构和反爬策略,可能存在一定的维护成本。
- JavaScript 渲染:WebMagic 在处理 JavaScript 动态渲染的页面时可能存在局限,对于复杂的 JavaScript 操作可能需要额外的处理。
4.5、使用场景
- 数据抓取:适用于抓取网站信息,如新闻、博客、商品数据等。
- 网站监控:可以用来监控目标网站的更新,及时获取最新内容。
- 数据分析:抓取的数据可以直接用于数据分析、市场研究等领域。
4.6、注意事项
- 遵守 robots.txt:在使用 WebMagic 进行爬虫开发时,应遵守目标网站的 robots.txt 文件规定,尊重网站的爬虫策略。
- 合理设置抓取间隔:为了避免对目标网站造成过大压力,应设置合理的抓取间隔和重试次数。
- 异常处理:网络请求可能会失败,需要在代码中进行适当的异常处理。
4.7、示例代码
如果你使用的是 Maven,可以在 pom.xml 文件中添加以下依赖
<!-- https://mvnrepository.com/artifact/us.codecraft/webmagic-core -->
<!-- WebMagic是一个简单灵活的爬虫框架,其核心部分(webmagic-core)是一个精简的、模块化的爬虫实现。 -->
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-core</artifactId>
<version>0.9.0</version>
</dependency>
<!-- https://mvnrepository.com/artifact/us.codecraft/webmagic-extension -->
<!-- WebMagic的扩展模块(webmagic-extension)为使用者提供了更方便的编写爬虫的工具,包括注解格式定义爬虫、JSON、分布式等支持。 -->
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-extension</artifactId>
<version>0.9.0</version>
</dependency>
<!-- https://mvnrepository.com/artifact/us.codecraft/webmagic-selenium -->
<!-- WebMagic 是一个基于 Java 的开源网络爬虫框架,而 Selenium 是一个用于自动化 Web 浏览器的工具。 -->
<dependency>
<groupId>us.codecraft</groupId>
<artifactId>webmagic-selenium</artifactId>
<version>0.9.0</version>
</dependency>
以下是一个简单的 WebMagic 示例代码,演示了如何抓取百度首页上的热门搜索新闻:
1、自定义下载器
WebMagic-Selenium 是 WebMagic 爬虫框架的一个扩展,它结合了 WebMagic 的爬虫能力和 Selenium 的浏览器自动化功能。这种结合使得 WebMagic-Selenium 能够处理那些需要执行 JavaScript 或模拟用户交互才能获取完整信息的动态网页。
通过使用 WebMagic-Selenium,开发者可以利用 WebMagic 的简洁 API 来定义爬虫的抓取逻辑,同时使用 Selenium 来处理那些需要复杂交互的网页。例如,可以模拟用户的登录过程、处理弹出窗口、执行复杂的表单提交等操作。
WebMagic 默认使用了 Apache HttpClient 作为下载工具。
/**
* <h1>自定义下载器</h1>
* Downloader 负责从互联网上下载页面,以便后续处理。
* WebMagic 默认使用了Apache HttpClient作为下载工具。
* */
public class WNDownloader implements Downloader {
// 声明驱动
private RemoteWebDriver driver;
@Override
public Page download(Request request, Task task) {
// 第一个参数是使用哪种浏览器驱动,第二个参数是浏览器驱动的地址
System.setProperty("webdriver.chrome.driver",
"/Users/yaoshuaizhou/Downloads/chromedriver-mac-arm64/chromedriver");
// 创建浏览器参数对象
ChromeOptions chromeOptions = new ChromeOptions();
// 设置为 无界面浏览器 模式,若是不想看到浏览器打开,就可以配置此项
// chromeOptions.addArguments("--headless");
chromeOptions.addArguments("--window-size=1440,1080"); // 设置浏览器窗口打开大小
this.driver = new ChromeDriver(chromeOptions); // 创建驱动
driver.get(request.getUrl()); // 第一次打开url,跳转到登录页
try {
Thread.sleep(3000); // 等待打开浏览器
// 获取从process返回的site携带的cookies,填充后第二次打开url
Site site = task.getSite();
if (site.getCookies() != null) {
// for (Map.Entry cookieEntry : site.getCookies()
//
// .entrySet()) {
//
// Cookie cookie = new Cookie(cookieEntry.getKey(),
//
// cookieEntry.getValue());
//
// driver.manage().addCookie(cookie);
//
// }
// 添加对应domain的cookie后,第二次打开url
driver.get(request.getUrl());
}
Thread.sleep(2000);
// 需要滚动到页面的底部,获取完整的数据
driver.executeScript("window.scrollTo(0, document.body.scrollHeight - 1000)");
Thread.sleep(2000); // 等待滚动完成
// 获取页面,打包成Page对象,传给PageProcessor 实现类
Page page = createPage(request.getUrl(), driver.getPageSource());
driver.close(); // 看需要是否关闭浏览器
return page;
} catch (InterruptedException e) {
throw new RuntimeException(e);
}
}
@Override
public void setThread(int i) {
}
//构建page返回对象
private Page createPage(String url, String content) {
Page page = new Page();
page.setRawText(content);
page.setUrl(new PlainText(url));
page.setRequest(new Request(url));
page.setDownloadSuccess(true);
return page;
}
}
2、自定义页面解析器
/**
* <h1>自定义页面解析器</h1>
* PageProcessor 负责解析页面,抽取有用信息,以及发现新的链接。
* WebMagic 使用 Jsoup 作为 HTML 解析工具,并基于其开发了解析 XPath 的工具 Xsoup。
* */
public class WNPageProcessor implements PageProcessor {
private Site site = Site.me()
.setCharset("UTF-8") // 设置编码
.setSleepTime(1) // 抓取间隔时间
.setTimeOut(1000 * 10) // 超时时间
.setRetrySleepTime(3000) // 重试时间
.setRetryTimes(3)
.addHeader("CSDN", "woniu")
.addHeader("Content-Type", "application/json;charset=UTF-8");
@Override
public void process(Page page) {
Html html = page.getHtml();
List<Selectable> hotSearchList = html.xpath("//*[@id=\"hotsearch-content-wrapper\"]/li").nodes();
System.out.println("今日百度热搜:");
// 遍历所有热搜新闻
for (Selectable hotSearch : hotSearchList){
List<Selectable> newsMetaList = hotSearch.xpath("//span/text()").nodes();
for (Selectable newsMeta : newsMetaList) {
System.out.print(newsMeta.get() + " ");
}
System.out.print("\n");
}
// 存储,可以传递到 WNPipeline
page.putField("woniu", "我是CSDN");
}
@Override
public Site getSite() {
return site;
}
}
3、自定义结果处理器
/**
* <h1>自定义结果处理器</h1>
* Pipeline负责抽取结果的处理,包括计算、持久化到文件、数据库等。
* WebMagic默认提供了“输出到控制台”和“保存到文件”两种结果处理方案。
* Pipeline定义了结果保存的方式,如果你要保存到指定数据库,则需要编写对应的Pipeline。
* 对于一类需求一般只需编写一个Pipeline。
* */
public class WNPipeline implements Pipeline {
@Override
public void process(ResultItems resultItems, Task task) {
// 获取封装好的数据
String woniu = resultItems.get("woniu");
System.out.println("WNPageProcessor 传递结果:" + woniu);
}
}
4、单元测试
public class WebMagicExample {
public static void main(String[] args) {
// 目标网页 URL
String url = "https://www.baidu.com";
Spider.create(new WNPageProcessor()) // 创建爬虫,并指定PageProcessor
.addUrl(url) // 添加需要爬取的URL
.setDownloader(new WNDownloader()) // 设置 Downloader,一个 Spider 只能有个一个 Downloader
.addPipeline(new WNPipeline()) // 添加一个 Pipeline,一个 Spider 可以有多个 Pipeline
.thread(5) // 开启5个线程抓取
.start(); // 开始爬取,设置最多在10分钟内停止
}
}
Selenium 可以配置为两种模式运行:有界面(headed)和无界面(headless)。
在默认情况下,Selenium WebDriver 会启动一个完整的浏览器窗口,用户可以直观地看到浏览器中的操作和页面变化,这对于测试和调试非常有用。如下图:
要启动无界面模式,需要在 Selenium 的浏览器配置中添加相应的参数。例如,在 Java 中使用ChromeDriver 时,可以通过以下代码启动无界面模式:
// 创建浏览器参数对象
ChromeOptions chromeOptions = new ChromeOptions();
// 设置为无界面浏览器模式,若是不想看到浏览器打开,就可以配置此项
chromeOptions.addArguments("--headless");
这段代码会启动一个没有图形界面的 Chrome 浏览器,并打开指定的网址。在无界面模式下,所有的 Selenium 操作都会正常执行,但不会有任何视觉反馈。
运行结果截图如下:
5、知识库
5.1、Chrome 浏览器查找 html 元素中的 XPath 路径
在谷歌 Chrome 浏览器中查找 HTML 元素的 XPath 路径,可以通过以下步骤进行:
5.1.1、打开开发者工具
使用快捷键 Ctrl + Shift + I 或 F12 打开 Chrome 的开发者工具,或者在页面上右键点击,选择“检查”来打开。
5.1.2、切换到Elements面板
在开发者工具中,默认选中的是 “元素(Elements)” 面板,这里可以查看页面的 DOM 结构。
5.1.3、选择目标元素
使用鼠标点击页面上的目标元素,或者使用开发者工具中的选择器工具(点击左上角的小箭头图标后,鼠标变为一个箭头状)来选择页面上的元素。
5.1.4、复制 XPath 路径
在元素(Elements)面板中,选中目标元素后,右键点击该元素的代码行,在弹出的菜单中选择“复制” > “复制 XPath”来复制 XPath 路径。如果想要复制完整的 XPath 路径(从根节点开始),可以选择“复制” > “复制完整 XPath”。
5.1.5、验证 XPath 路径
在开发者工具的控制台(Console)面板中,可以使用 XPath 表达式来验证路径是否正确。例如,输入$x(‘//XPath 表达式’)并回车,如果路径正确,控制台会输出匹配的元素数量
示例:$x(‘//*[@id=“hotsearch-content-wrapper”]’),如下图:
5.2、ChromeDriver 下载
ChromeDriver 下载地址,请根据您使用的操作系统下载相应的 ChromeDriver 版本。
6、总结
Jsoup 主要用于抓取和解析静态 HTML 页面,它不执行 JavaScript,因此对于依赖 JavaScript动态加载内容的网站可能无法获取完整的页面信息。而 HtmlUnit 和 WebMagic 则具备处理动态网页的能力。
HtmlUnit 是一个无头浏览器,它可以执行 JavaScript 代码,从而允许用户与动态内容进行交互,获取通过 JavaScript 动态加载的数据。这使得 HtmlUnit 非常适合抓取那些需要执行脚本才能显示完整内容的网站。
WebMagic 作为一个爬虫框架,它不仅支持静态页面的抓取,也能够通过内置的或自定义的处理器来处理动态内容。WebMagic 的多线程和分布式特性使其在大规模数据抓取方面表现出色,尤其适合于处理复杂的动态网站。
因此,在选择工具时,如果目标网站主要是静态内容,Jsoup 可能是一个简单且高效的选择。而如果网站包含大量的动态内容,HtmlUnit 和 WebMagic 将更能满足需求。
综上所述,Jsoup、HtmlUnit 和 WebMagic 各有千秋,它们分别适用于不同的网页抓取场景。通过合理选择和应用这些工具,开发者可以大幅提升工作效率,优化项目质量,从而在网络爬虫的开发之旅中取得成功。无论您的项目需求如何,这三款工具都能为您提供强大的支持,助您轻松应对网络数据抓取的挑战。