学习用java基于webMagic+selenium+phantomjs实现爬虫Demo爬取淘宝搜索页面

水深无声 2022-06-03 06:07 387阅读 0赞

## [学习用java基于webMagic+selenium+phantomjs实现爬虫Demo爬取淘宝搜索页面][java_webMagic_selenium_phantomjs_Demo] ##

由于业务需要，老大要我研究一下爬虫。

团队的技术栈以java为主，并且我的主语言是Java，研究时间不到一周。基于以上原因固放弃python，选择java为语言来进行开发。等之后有时间再尝试python来实现一个。

本次爬虫选用了webMagic+selenium+phantomjs，选用他们的原因如下：

1.   webMagic(v:0.73)，一个轻量级的Java爬虫框架(git地址：https://github.com/code4craft/webmagic，主页地址:http://webmagic.io/)：
    
     *  时间和个人水平关系，放弃重复造轮子实现一套，固上网找一个框架(技术不好限制了我的风骚想法)
     *  webMagic是一款国人实现的轻量级爬虫框架,注释肯定是中文(英文不好限制了我的选择范围)
     *  文档不少，而且用的人多，有问题网上好找解答
2.  selenium，一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中，就像真正的用户在操作一样,配合chromeDriver就可以通过代码对谷歌浏览器为所欲为了,阶段测试时候需要驱动谷歌浏览器的chromeDriver(附上下载地址：http://npm.taobao.org/mirrors/chromedriver/)
    
     *  因为本次爬取目标是淘宝网，淘宝使用的Js渲染加大了爬取的难度，如果根据接口去爬取，需要搞清楚各种接口参数在哪里，非常麻烦，而且可能某些参数实在找不到，所以选用selenium直接用浏览器渲染，降低了找不到参数的引起尴尬场面的风险
     *  但是用浏览器爬取必然会大大降低爬取效率，如果简单网站还是不建议使用这种方式
3.  phantomjs，一个基于webkit内核的无头浏览器，即没有UI界面，即它就是一个浏览器，只是其内的点击、翻页等人为相关操作需要程序设计实现。(附上下载地址：http://phantomjs.org/):
    
     *  如果每次爬取都要开启一个chrome浏览器，那简直就是内存噩梦，所以采用phantomjs来充当浏览器

说完框架的选择， 我们先贴上设计图：

![1102674-20171120162756071-2082985498.png][]

然后我们再贴上使用的jar包：

![复制代码][copycode.gif]

1 　　　　　<dependency>
     2             <groupId>org.seleniumhq.selenium</groupId>
     3             <artifactId>selenium-java</artifactId>
     4             <version>3.0.1</version>
     5         </dependency>
     6         <dependency>
     7             <groupId>org.seleniumhq.selenium</groupId>
     8             <artifactId>selenium-chrome-driver</artifactId>
     9             <version>3.0.1</version>
    10         </dependency>
    11 
    12         <dependency>
    13             <groupId>org.seleniumhq.selenium</groupId>
    14             <artifactId>selenium-remote-driver</artifactId>
    15             <version>3.0.1</version>
    16         </dependency>
    17 
    19         <dependency>
    20             <groupId>com.codeborne</groupId>
    21             <artifactId>phantomjsdriver</artifactId>
    22             <version>1.2.1</version>
    23         </dependency>
    24 
    25         <dependency>
    26             <groupId>org.apache.commons</groupId>
    27             <artifactId>commons-exec</artifactId>
    28             <version>1.3</version>
    29         </dependency>

![复制代码][copycode.gif]

###   1、先让我们用chromeDriver测试一波selenium： ###

![复制代码][copycode.gif]

package com.chinaredstar.jc.crawler.biz.test.chrome;
    
    import org.openqa.selenium.By;
    import org.openqa.selenium.WebDriver;
    import org.openqa.selenium.WebElement;
    import org.openqa.selenium.chrome.ChromeDriverService;
    import org.openqa.selenium.remote.DesiredCapabilities;
    import org.openqa.selenium.remote.RemoteWebDriver;
    import org.openqa.selenium.support.ui.ExpectedCondition;
    import org.openqa.selenium.support.ui.WebDriverWait;
    
    import java.io.File;
    import java.io.IOException;
    
    
    /**
     * chromeDriver是谷歌的浏览器驱动，用来适配Selenium,有图形页面存在，在调试爬虫下载运行的功能的时候会相对方便
     * @author zhuangj
     * @date 2017/11/14
     */
    public class TestChromeDriver {
    
        private static ChromeDriverService service;
    
        public static WebDriver getChromeDriver() throws IOException {
            System.setProperty("webdriver.chrome.driver","C:/Users/sunlc/AppData/Local/Google/Chrome/Application/chrome.exe");
            // 创建一个 ChromeDriver 的接口，用于连接 Chrome（chromedriver.exe 的路径可以任意放置，只要在newFile（）的时候写入你放的路径即可）
            service = new ChromeDriverService.Builder().usingDriverExecutable(new File("D:\\chromedriver\\qd-chromedriver_pc18\\qd-chromedriver_pc18\\chromedriver.exe")) .usingAnyFreePort().build();
            service.start();
            // 创建一个 Chrome 的浏览器实例
            return new RemoteWebDriver(service.getUrl(), DesiredCapabilities.chrome());
        }
    
        public static void main(String[] args) throws IOException {
    
            WebDriver driver = TestChromeDriver.getChromeDriver();
            // 让浏览器访问 Baidu
            driver.get("https://www.taobao.com/");
            // 用下面代码也可以实现
            //driver.navigate().to("http://www.baidu.com");
            // 获取 网页的 title
            System.out.println(" Page title is: " +driver.getTitle());
            // 通过 id 找到 input 的 DOM
            WebElement element =driver.findElement(By.id("q"));
            // 输入关键字
            element.sendKeys("东鹏瓷砖");
            // 提交 input 所在的 form
            element.submit();
            // 通过判断 title 内容等待搜索页面加载完毕，间隔秒
            new WebDriverWait(driver, 10).until(new ExpectedCondition() {
                @Override
                public Object apply(Object input) {
                    return ((WebDriver)input).getTitle().toLowerCase().startsWith("东鹏瓷砖");
                }
            });
            // 显示搜索结果页面的 title
            System.out.println(" Page title is: " +driver.getTitle());
            // 关闭浏览器
            driver.quit();
            // 关闭 ChromeDriver 接口
            service.stop();
        }
    
    
    
    }

![复制代码][copycode.gif]

看结果：

![1102674-20171116152607796-379071057.png][]

经过上网查询，测试是chrome驱动器与我本地的chrome浏览器版本对不上，chromDriver和浏览器的对应版本如下：

<table style="border:1px solid silver; border-collapse:collapse; word-break:break-word; height:549px; width:528px"> 
 <thead> 
  <tr> 
   <th align="center" style="border:1px solid silver; border-collapse:collapse; padding:3px"> chromedriver版本</th> 
   <th align="center" style="border:1px solid silver; border-collapse:collapse; padding:3px"> 支持的Chrome版本</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.33</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v60-62</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.32</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v59-61</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.31</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v58-60</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.30</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v58-60</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.29</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v56-58</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.28</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v55-57</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.27</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v54-56</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.26</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v53-55</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.25</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v53-55</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.24</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v52-54</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.23</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v51-53</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.22</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v49-52</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.21</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v46-50</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.20</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v43-48</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.19</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v43-47</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.18</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v43-46</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.17</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v42-43</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.13</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v42-45</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.15</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v40-43</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.14</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v39-42</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.13</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v38-41</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.12</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v36-40</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.11</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v36-40</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.10</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v33-36</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.9</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v31-34</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.8</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v30-33</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.7</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v30-33</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.6</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v29-32</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.5</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v29-32</td> 
  </tr> 
  <tr> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v2.4</td> 
   <td align="center" style="font-size:14px; border:1px solid silver; border-collapse:collapse; padding:3px"> v29-32</td> 
  </tr> 
 </tbody> 
</table>

重新下载chromeDriver后：浏览器按照预想开启查询关闭：ide控制台打印如下：

![1102674-20171116152952671-1048902645.png][]

###   2、然后我们来测试一波phantomJs： ###

（其实中间有一段测试失败，但是忘了是什么原因了，就不去重现了）

![复制代码][copycode.gif]

package com.chinaredstar.jc.crawler.biz.test.phantomjs;
    
    import org.openqa.selenium.WebDriver;
    import org.openqa.selenium.phantomjs.PhantomJSDriver;
    import org.openqa.selenium.phantomjs.PhantomJSDriverService;
    import org.openqa.selenium.remote.DesiredCapabilities;
    
    /**
     * PhantomJs是一个基于webkit内核的无头浏览器，即没有UI界面，即它就是一个浏览器，只是其内的点击、翻页等人为相关操作需要程序设计实现;
     * 因为爬虫如果每次爬取都调用一次谷歌浏览器来实现操作,在性能上会有一定影响,而且连续开启十几个浏览器简直是内存噩梦,
     * 因此选用phantomJs来替换chromeDriver
     * PhantomJs在本地开发时候还好，如果要部署到服务器，就必须下载linux版本的PhantomJs,相比window操作繁琐
     * @author zhuangj
     * @date 2017/11/14
     */
    public class TestPhantomJsDriver {
    
    
        public static PhantomJSDriver getPhantomJSDriver(){
            //设置必要参数
            DesiredCapabilities dcaps = new DesiredCapabilities();
            //ssl证书支持
            dcaps.setCapability("acceptSslCerts", true);
            //截屏支持
            dcaps.setCapability("takesScreenshot", false);
            //css搜索支持
            dcaps.setCapability("cssSelectorsEnabled", true);
            //js支持
            dcaps.setJavascriptEnabled(true);
            //驱动支持
            dcaps.setCapability(PhantomJSDriverService.PHANTOMJS_EXECUTABLE_PATH_PROPERTY,"D:\\chromedriver\\phantomjs-2.1.1-windows\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe");
    
            PhantomJSDriver driver = new PhantomJSDriver(dcaps);
            return  driver;
        }
    
        public static void main(String[] args) {
            WebDriver driver=getPhantomJSDriver();
            driver.get("http://www.baidu.com");
            System.out.println(driver.getCurrentUrl());
        }
    }

![复制代码][copycode.gif]

看结果：

![1102674-20171116153210202-338859191.png][]

### 3、我们用WebMagic把他们整合： ###

controller：

![复制代码][copycode.gif]

@RequestMapping("/testTaoBaoSearch")
        public RestResultVo testTaoBaoSearch(String keyWord){
            Spider spider=Spider.create(new TestTaoBaoPageProcessor(keyWord));
            HttpClientDownloader httpClientDownloader = new HttpClientDownloader();
            //免费代理不稳定老挂
    //        httpClientDownloader.setProxyProvider(SimpleProxyProvider.from(new Proxy("0.0.0.0",0000)));
            spider.setDownloader(httpClientDownloader);
            spider.addUrl("https://s.taobao.com/search?q="+keyWord).thread(1).run();
            return null;
        }

![复制代码][copycode.gif]

TestTaoBaoPageProcessor：

![复制代码][copycode.gif]

package com.chinaredstar.jc.crawler.biz.test.taobao;
    
    import com.chinaredstar.jc.crawler.biz.test.chrome.TestChromeDriver;
    import com.chinaredstar.jc.crawler.biz.test.phantomjs.TestPhantomJsDriver;
    import org.apache.commons.lang.StringUtils;
    import org.openqa.selenium.By;
    import org.openqa.selenium.WebDriver;
    import org.openqa.selenium.WebElement;
    import us.codecraft.webmagic.Page;
    import us.codecraft.webmagic.Site;
    import us.codecraft.webmagic.processor.PageProcessor;
    import us.codecraft.webmagic.selector.Html;
    import us.codecraft.webmagic.selector.Selectable;
    
    import java.io.IOException;
    import java.util.ArrayList;
    import java.util.HashSet;
    import java.util.List;
    
    /**
     *
     * @author zhuangj
     * @date 2017/11/13
     */
    public class TestTaoBaoPageProcessor implements PageProcessor {
    
        private String keyWord;
    
        private static final String TAO_BAO_DETAIL_URL_START="https://item.taobao.com/item.htm";
        
        private static final String TIAN_MAO_DETAIL_URL_START="https://detail.tmall.com/item.htm";
    
        private Site site = Site
                .me()
                .setCharset("UTF-8")
                .setCycleRetryTimes(3)
                .setSleepTime(3 * 1000)
                .addHeader("Connection", "keep-alive")
                .addHeader("Cache-Control", "max-age=0")
                .addHeader("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0");
    
    
        public String getKeyWord() {
            return keyWord;
        }
    
        public void setKeyWord(String keyWord) {
            this.keyWord = keyWord;
        }
    
        public TestTaoBaoPageProcessor() {
        }
    
        public TestTaoBaoPageProcessor(String keyWord) {
            this.keyWord = keyWord;
        }
    
        @Override
        public Site getSite() {
            return site;
        }
    
    
    
    
        @Override
        public void process(Page page) {
            WebDriver driver= TestPhantomJsDriver.getPhantomJSDriver();
    //        WebDriver driver= null;
    //        try {
    //            driver = TestChromeDriver.getChromeDriver();
    //        } catch (IOException e) {
    //            e.printStackTrace();
    //        }
            driver.get(page.getRequest().getUrl());
            WebElement webElement = driver.findElement(By.id("page"));
            String str = webElement.getAttribute("outerHTML");
    
            Html html = new Html(str);
            if(isFirstPage(html)){
                analysisPagination(page,html);
            }else if(isListPage(html)){
                analysisListPage(page,html,driver);
            }else {
                analysisDetailPage(page,html,driver);
            }
        }
    
        private void analysisListPage(Page page, Html html, WebDriver driver) {
            List<String> detailPageList= html.xpath("//*[@id=\"mainsrp-itemlist\"]").$("a[id^='J_Itemlist_TLink_']").xpath("//a/@href").all();
            page.addTargetRequests(detailPageList);
        }
    
        /**
         * 分析分页规则
         * @param page
         * @param html
         */
        private void analysisPagination(Page page,Html html){
            List<String> pageList= html.xpath("//*[@id=\"mainsrp-pager\"]/div/div/div/ul/li/a/@data-value").all();
            pageList = new ArrayList(new HashSet(pageList));
    
            List<String> pageParameterList=new ArrayList<>();
            for(String  value:pageList){
                pageParameterList.add("https://s.taobao.com/search?q="+getKeyWord()+"&s="+value);
            }
            page.addTargetRequests(pageParameterList);
        }
    
        /**
         * 分析详情页
         * @param page
         * @param html
         * @param driver
         */
        private void analysisDetailPage(Page page,Html html,WebDriver driver){
           String url=page.getUrl().toString();
            if(url.startsWith(TAO_BAO_DETAIL_URL_START)){
                analysisTaoBaoDetailPage(page,html,driver);
            }else if(url.startsWith(TIAN_MAO_DETAIL_URL_START)){
                analysisTianMaoDetailPage(page,html,driver);
            }
        }
    
        /**
         * 分析淘宝详情页
         * @param page
         * @param html
         * @param driver
         */
        private void analysisTaoBaoDetailPage(Page page,Html html,WebDriver driver){
            page.putField("price", html.xpath("//[@id=\"J_StrPrice\"]/em[2]/text()").toString());
            page.putField("shopName", html.xpath("//*[@id=\"J_ShopInfo\"]/div/div[1]/div[1]/dl/dd/strong/a/text()").toString());
            page.putField("title", html.xpath("*[@id=\"J_Title\"]/h3/text()").toString());
    
        }
    
        /**
         * 分析天猫详情页
         * @param page
         * @param html
         * @param driver
         */
        private void analysisTianMaoDetailPage(Page page,Html html,WebDriver driver){
            page.putField("price", html.xpath("//[@id=\"J_StrPriceModBox\"]/dd/span/text()").toString());
            page.putField("shopName", driver.findElement(By.name("seller_nickname")).getAttribute("value"));
            page.putField("name", html.xpath("//[@id=\"J_DetailMeta\"]/div[1]/div[1]/div/div[1]/h1/text()").toString());
        }
    
    
    
        /**
         * 是否为列表页
         * @param html
         * @return
         */
        private boolean isListPage(Html html) {
            String tmp = html.$("#mainsrp-pager").get();
            if (StringUtils.isNotBlank(tmp)) {
                return true;
            }
            return false;
        }
    
        /**
         * 列表页获取当前页码
         * @param html
         * @return
         */
        private String getCurrentPageNo(Html html){
            return html.xpath("//*[@id=\"mainsrp-pager\"]/div/div/div/ul/li[contains(@class,'active')]/span/text()").toString();
        }
    
        /**
         * 判断是否列表页的第一页
         * @param html
         * @return
         */
        private Boolean isFirstPage(Html html){
            return isListPage(html)&&getCurrentPageNo(html).equals("1");
        }
    
    
    
    
    
    }

![复制代码][copycode.gif]

数据保存到数据库：

![1102674-20171116161709609-1662318372.png][]

这里有几点：

*   *  WebMagic的抽取主要用到了[Jsoup][]和webMagic作者开发的工具[Xsoup][]，并不懂这个语法还自己学了下。xpath如果自己抓取绝对累死，可以用chrome浏览器自带功能![1102674-20171116154924218-1668865120.png][]
     *  使用chrome抓取时候数据正常，改为phantomJs时候数据错乱，一脸懵逼。为了查找原因，就到追溯爬虫爬取过程，修改了webMagic的Request类,给他添加parentUrl属性。
     *  ![复制代码][copycode.gif]
        
            package com.chinaredstar.jc.crawler.biz.test.extend;
            
            import us.codecraft.webmagic.Request;
            
            /**
             *
             * @author zhuangj
             * @date 2017/11/15
             */
            public class RequestExtend extends Request {
            
                private String parentUrl;
            
                public RequestExtend(String url,String parentUrl) {
                    super(url);
                    this.parentUrl = parentUrl;
                }
            
            
                public String getParentUrl() {
                    return parentUrl;
                }
            
                public void setParentUrl(String parentUrl) {
                    this.parentUrl = parentUrl;
                }
            }　　　　
        
        ![复制代码][copycode.gif]

*   *   分析方法的时候写上父级的URl，方便如果有数据问题进行追溯。
     *  ![复制代码][copycode.gif]
        
            private void analysisListPage(Page page, Html html, WebDriver driver) {
                    RequestExtend requestExtend= (RequestExtend) page.getRequest();
                    System.out.println("parentUrl:"+requestExtend.getParentUrl());
                    System.out.println("nowUrl:"+page.getUrl());
                    List<String> detailPageList= html.xpath("//*[@id=\"mainsrp-itemlist\"]").$("a[id^='J_Itemlist_TLink_']").xpath("//a/@href").all();
                    for(String deetailPage:detailPageList){
                        RequestExtend extend=new RequestExtend("https:"+deetailPage,page.getUrl().toString());
                        page.addTargetRequest(extend);
                    }
                }
        
        ![复制代码][copycode.gif]

*   *  详情页获取父节点也可以完成。
     *  ![复制代码][copycode.gif]
        
            /**
                 * 分析淘宝详情页
                 * @param page
                 * @param html
                 * @param driver
                 */
                private void analysisTaoBaoDetailPage(Page page,Html html,WebDriver driver){
                    RequestExtend requestExtend= (RequestExtend) page.getRequest();
                    System.out.println("parentUrl:"+requestExtend.getParentUrl());
                    System.out.println("nowUrl:"+page.getUrl());
                    page.putField("price", html.xpath("//[@id=\"J_StrPrice\"]/em[2]/text()").toString());
                    String shopName=html.xpath("//*[@id=\"J_ShopInfo\"]/div/div[1]/div[1]/dl/dd/strong/a/text()").toString();
                    if(StringUtils.isBlank(shopName)){
                        shopName=html.xpath("//*[@id=\"header-content\"]/div[2]/div[1]/div[1]/a/text()").toString();
                    }
                    page.putField("shopName", shopName);
                    page.putField("title", html.xpath("*[@id=\"J_Title\"]/h3/text()").toString());
            
                    TaoBaoPo po=new TaoBaoPo();
                    po.setParentUrl(requestExtend.getParentUrl());
                    po.setPrice(page.getResultItems().get("price"));
                    po.setShopName(page.getResultItems().get("shopName"));
                    po.setTitle(page.getResultItems().get("title"));
                    po.setUrl(page.getUrl().toString());
                    taoBaoCrawlerService.saveProductDetail(po);
                }
        
        ![复制代码][copycode.gif]

*   *   问题的排查结果是我查询时候keyWord是中文。chromeDriver可以处理而phantomJs不能识别，给加一个url转码：
     *  ![复制代码][copycode.gif]
        
            /**
                 * 使用chromeDriver程序正常运行,转换成PhtanomJs后发现查询到的数据不是想要的数据，复制HTML查看页面后,
                 * 发现搜索的数据是错乱的,搜索框上显示着？？？，猜测是转码的问题，经过URLEncode之后，程序正常运行。
                 * @return
                 */
                public String getKeyWord() {
                    try {
                        return URLEncoder.encode(keyWord,"UTF-8");
                    } catch (UnsupportedEncodingException e) {
                        e.printStackTrace();
                    }
                    return StringUtils.EMPTY;
                }
        
        ![复制代码][copycode.gif]
     *  测试的时候代码越跑越慢，打开进程发现一堆phantomJs,固在process结束之后调用driver.quit()关闭phantomJs。

### 结语：本次demo虽然能跑起来但是还有很多很多不足，每次爬取搜索页只爬了四页，搜索的第一页也没爬，但是懒得再弄，保存数据应该用webMagic的Pipeline来处理，而且频繁的单次保存可以想办法用批量保存来替换；频繁的创建销毁driverJs并不合理，应该使用池化技术做一个DriverPool来管理；demo没有使用IP代理，容易被封，应该写一个IP代理池来管理第三方ip，不过要钱所以就算了。毕竟只是一个demo，剩余问题就不一一列举。 ###

[java_webMagic_selenium_phantomjs_Demo]: http://www.cnblogs.com/null-qige/p/7844381.html
[1102674-20171120162756071-2082985498.png]: /images/20220603/823759121c35423bacdad3314d2ec480.png
[copycode.gif]: /images/20220603/d34a6372c83f40529e9d5c1057701de8.png
[1102674-20171116152607796-379071057.png]: /images/20220603/91aed8d601774076b90b3ee5ce50dee0.png
[1102674-20171116152952671-1048902645.png]: /images/20220603/239c4a097fe646b7801cebc991f67486.png
[1102674-20171116153210202-338859191.png]: /images/20220603/c0f442ea2f854a5b8928bd17d3c34759.png
[1102674-20171116161709609-1662318372.png]: /images/20220603/58f8ed0e5c51426c9b58904a087998d2.png
[Jsoup]: http://jsoup.org/
[Xsoup]: https://github.com/code4craft/xsoup
[1102674-20171116154924218-1668865120.png]: /images/20220603/dc6e153007704be9ae7691011b106c7b.png