日前有采集需求,當我把所有的對應頁面的鏈接都拿到手,準備開始根據鏈接去採集(寫爬蟲爬取)對應的終端頁的時候,發覺用程序獲取到的數據根本沒有對應的內容,可是我的瀏覽器看到的內容明明是有的,於是瀏覽器查看源代碼也發覺沒有,此時想起該網頁應該是ajax加載的。不知道ajax的小朋友可以去學下web開發啦。
#
採集ajax生成的內容手段不外乎兩種。一種是通過http觀察加載頁面時候的請求,然後我們模仿該請求去得到對應的內容,第二種則是模仿瀏覽器行爲去渲染這個頁面得到內容。我在這裏決定採用第二種方式,之前一直玩webkit,不過一直要加載頁面太浪費資源了,此時瞭解到有一個好玩的玩意phantomjs,這是個可以用命令行來操作webkit的玩意,然後也可以直接在裏面用js的api去操作頁面(當然,我這邊比較簡單就懶得用了)。
#
下載完phantomjs之後直接解壓就可以使用,然後在path目錄加入phantomjs的路徑(以便直接在命令行就可以執行phantomjs命令)。
#
接下來要完成個代碼,一個是用phantomjs去獲取頁面(採用js編寫行爲),一個是採用Java去調用phantomjs來達到獲取內容的作用,接下來直接貼代碼。
[javascript]
//codes.js
system = require('system')
address = system.args[1];//獲得命令行第二個參數 接下來會用到
//console.log('Loading a web page');
var page = require('webpage').create();
var url = address;
//console.log(url);
page.open(url, function (status) {
//Page is loaded!
if (status !== 'success') {
console.log('Unable to post!');
} else {
//console.log(page.content);
//var title = page.evaluate(function() {
// return document.title;//示範下如何使用頁面的jsapi去操作頁面的
// });
//console.log(title);
console.log(page.content);
}
phantom.exit();
});
上述的js代碼估計應該沒幾個看不懂的。。。
#
接下來貼java代碼!
[java]
import org.apache.commons.io.IOUtils;
import java.io.*;
/**
* Created with IntelliJ IDEA.
* User: lsz
* Date: 14-4-22
* Time: 下午1:17
* utils for http
*/
public class HttpUtils {
public static String getAjaxCotnent(String url) throws IOException {
Runtime rt = Runtime.getRuntime();
Process p = rt.exec("phantomjs.exe c:/phantomjs/codes.js "+url);//這裏我的codes.js是保存在c盤下面的phantomjs目錄
InputStream is = p.getInputStream();
BufferedReader br = new BufferedReader(new InputStreamReader(is));
StringBuffer sbf = new StringBuffer();
String tmp = "";
while((tmp = br.readLine())!=null){
sbf.append(tmp);
}
//System.out.println(sbf.toString());
return sbf.toString();
}
public static void main(String[] args) throws IOException {
getAjaxCotnent("http://www.baidu.com");
}
}
其實原理很簡單,就是通過進程間通信用java調用phantomjs這個組件去請求渲染頁面,不過這種做法因爲每次都要重新啓動phantomjs進程,所以比較慢,還有另外一種直接用phantomjs加載頁面後,把內容post給我們自定義的一個http後端接收數據,會更快一點。