【Java】使用Java实现爬虫

男娘i 2023-09-28 18:39 2阅读 0赞

#### 文章目录 ####

*  使用Java实现爬虫
 *   *  一、HttpClient实现模拟HTTP访问
     *   *  1.1 HttpClient
         *  1.2 引入依赖
         *  1.3 创建简单的请求操作
         *   *  1.3.1 创建实例
             *  1.3.2 Jsoup应用
         *  1.4 爬取过程中可能出现的问题
         *   *  1.4.1 JS异步加载问题
             *  1.4.2 反爬技术的影响
         *  1.5 爬取需要登录的页面
         *   *  1.5.1 在header中直接携带Cookie
             *  1.5.2 模拟登录自动获取Cookie
     *  二、HtmlUtil实现JS异步加载页面
     *   *  2.1 HtmlUtil
         *  2.2 引入依赖
         *  2.3 创建简单的请求操作
         *   *  2.3.1 创建实例
             *  2.3.2 模拟浏览器操作
         *  2.4 爬取待登录的页面

## 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.httpcomponents</groupId>
        <artifactId>httpclient</artifactId>
        <version>${httpclient.version}</version>
    </dependency>
    <dependency>
        <groupId>org.jsoup</groupId>
        <artifactId>jsoup</artifactId>
        <version>${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 #####

@Test
    public 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。

![在这里插入图片描述][687384def8d242829863c80e950afbfd.png]

此时我们可以打开F12，查看页面的所有请求

![在这里插入图片描述][12a8120d26884f56b4044cf253755852.png]

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。

@Test
    public 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, */*; q=0.01");
        httpGet.setHeader("Content-Type", "application/json;charset=UTF-8");
        httpGet.setHeader("Origin", "https://blog.csdn.net");
        httpGet.setHeader("Accept-Encoding", "gzip, deflate, br");
    
        try {
        
        	CloseableHttpResponse response = httpClient.execute(httpGet);
    
        	if (response.getStatusLine().getStatusCode() == 200) {
        
        		System.out.println(EntityUtils.toString(response.getEntity(), "UTF-8"));
    		}
        } catch (IOException e) {
        
        	e.printStackTrace();
        } finally {
        
            response.close();
        }
        
        httpClient.close();
    }

> 一般勾选**保留日志**和**停用缓存**已防止页面发生重定向时丢失以前的请求内容。

##### 1.4.2 反爬技术的影响 #####

具体可查看知乎贴[做爬虫怎可不知反爬虫？如何做反反爬虫][Link 1]。

#### 1.5 爬取需要登录的页面 ####

当需要获取登录后的页面信息时，就绕不开Cookie的问题。在请求时携带正确的Cookie值可直接跳过登录操作。该问题可通过两种方案解决。

##### 1.5.1 在header中直接携带Cookie #####

在设置请求头时，可以直接绑定Cookie值，该Cookie值可以通过实际访问时查看请求内容获取，示例：

@Test
    public void testCookie() throws Exception {
        
        CloseableHttpClient httpClient = HttpClients.createDefault();
    
        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");
        httpGet.setHeader("Cookie", "yourCookie");
    
        CloseableHttpResponse response = httpClient.execute(httpGet);
        if (response.getStatusLine().getStatusCode() == 200) {
        
            System.out.println("==============================开始打印页面==============================");
            System.out.println(EntityUtils.toString(response.getEntity()));
            System.out.println("==============================结束打印页面==============================");
        }
    
        httpClient.close();
        response.close();
    }

对于携带Cookie的方式登录存在一个问题，就是cookie存在有效期，当有效期过了之后就需要重新更换cookie，所以如果需要持续性的自动爬取数据，就存在很大弊端。

##### 1.5.2 模拟登录自动获取Cookie #####

在发送请求时可以将登录信息添加到`HttpPost`中去尝试请求登录，如果登录成功，登录后的Cookie会保留在`HttpClient`中，再请求其他页面时则会跳过登录。

以CSDN的登录为例，通过F12查找登录接口，根据请求头信息，配置`HttpPost`

@Test
    public void testLogin() throws Exception {
        
        CloseableHttpClient httpClient = HttpClients.createDefault();
    
        HttpPost httpPost = new HttpPost("https://passport.csdn.net/v1/register/pc/login/doLogin");
        httpPost.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");
        httpPost.setHeader("Accept", "application/json, text/plain, */*");
        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.htmlunit</groupId>
    	<artifactId>htmlunit</artifactId>
    	<version>${htmlutil.version}</version>
    </dependency>

#### 2.3 创建简单的请求操作 ####

##### 2.3.1 创建实例 #####

@Test
    public 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：

@Test
    public 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][HtmlUnit]
> 
> [HtmlUtil API文档][HtmlUtil API]
> 
> [HttpClient 官网][HttpClient]
> 
> [HttpClient API文档][HttpClient API]

[Cactus]: https://baike.baidu.com/item/Cactus
[HTMLUnit]: https://baike.baidu.com/item/HTMLUnit
[687384def8d242829863c80e950afbfd.png]: https://img-blog.csdnimg.cn/687384def8d242829863c80e950afbfd.png
[12a8120d26884f56b4044cf253755852.png]: https://img-blog.csdnimg.cn/12a8120d26884f56b4044cf253755852.png
[Link 1]: https://zhuanlan.zhihu.com/p/436617071
[HtmlUnit]: https://htmlunit.sourceforge.io/gettingStarted.html
[HtmlUtil API]: https://htmlunit.sourceforge.io/apidocs/index.html
[HttpClient]: https://hc.apache.org/index.html
[HttpClient API]: https://hc.apache.org/httpcomponents-client-4.5.x/current/httpclient/apidocs/