Java 爬虫遇上数据异步加载，试试这两种办法！

本文主要是介绍Java 爬虫遇上数据异步加载，试试这两种办法！，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

爬虫工具根据Xpath路径解析网页时，如果页面是异步加载，则无法获取到js渲染后的界面。这样我们通过XPath路径则定位到具体对象。对此类问题的解决方案有两种。

第一：内置浏览器内核

内置浏览器就是在抓取的程序中，启动一个浏览器内核，使我们获取到 js 渲染后的页面，这样我们就跟采集静态页面一样了。这种工具常用的有以下三种：

Selenium
HtmlUnit
PhantomJs

这些工具都能帮助我们解决数据异步加载的问题，但是他们都存在缺陷，那就是效率不高而且不稳定。

第二：反向解析法

什么是反向解析法呢？我们 js 渲染页面的数据是通过 Ajax 的方式从后端获取的，我们只需要找到对应的 Ajax 请求连接就 OK，这样我们就获取到了我们需要的数据，反向解析法的好处就是这种方式获取的数据都是 json 格式的数据，解析起来也比较方便，另一个好处就是相对页面来说，接口的变化概率更小。同样它有两个不足之处，一个是在 Ajax 时你需要有耐心有技巧，因为你需要在一大推请求中找到你想要的，另一个不足的地方就是对 JavaScript 渲染的页面束手无策。

上面就是异步数据加载的两种解决办法，为了加深大家的理解和在项目中如何使用，我以采集网易要闻为例，网易新闻地址：https://news.163.com/ 。利用上诉的两种方式来获取网易要闻的新闻列表。网易要闻如下：

内置浏览器 Selenium 方式

Selenium 是一个模拟浏览器，进行自动化测试的工具，它提供一组 API 可以与真实的浏览器内核交互。在自动化测试上使用的比较多，爬虫时解决异步加载也经常使用它，我们要在项目中使用 Selenium ，需要做两件事：

1、引入 Selenium 的依赖包，在 pom.xml 中添加

<!-- https://mvnrepository.com/artifact/org.seleniumhq.selenium/selenium-java -->
<dependency><groupId>org.seleniumhq.selenium</groupId><artifactId>selenium-java</artifactId><version>3.141.59</version>
</dependency>

2、下载对应的 driver，例如我下载的 chromedriver，下载地址为：https://npm.taobao.org/mirrors/chromedriver/，下载后，需要将 driver 的位置写到 Java 的环境变量里，例如我直接放在项目下，所以我的代码为：

    System.getProperties().setProperty("webdriver.chrome.driver", "chromedriver.exe");

完成上面两步之后，我们就可以来编写使用 Selenium 采集网易要闻啦。具体代码如下：

/*** selenium 解决数据异步加载问题* https://npm.taobao.org/mirrors/chromedriver/** @param url*/
public void selenium(String url) {// 设置 chromedirver 的存放位置System.getProperties().setProperty("webdriver.chrome.driver", "chromedriver.exe");// 设置无头浏览器，这样就不会弹出浏览器窗口ChromeOptions chromeOptions = new ChromeOptions();chromeOptions.addArguments("--headless");WebDriver webDriver = new ChromeDriver(chromeOptions);webDriver.get(url);// 获取到要闻新闻列表List<WebElement> webElements = webDriver.findElements(By.xpath("//div[@class='news_title']/h3/a"));for (WebElement webElement : webElements) {// 提取新闻连接String article_url = webElement.getAttribute("href");// 提取新闻标题String title = webElement.getText();if (article_url.contains("https://news.163.com/")) {System.out.println("文章标题：" + title + " ,文章链接：" + article_url);}}webDriver.close();
}

运行该方法，得到结果如下：

我们使用 Selenium 已经正确的提取到了网易要闻的列表新闻。

反向解析法

反向解析法就是获取到 Ajax 异步获取数据的链接，直接获取到新闻数据。如果没有技巧的话，查找 Ajax 的过程将非常痛苦，因为一个页面加载的链接太多了，看看网易要闻的 network：

有几百条的请求，该如何查找到是哪条请求获取的要闻数据呢？你不嫌麻烦的话，可以一个一个的去点，肯定能够查找到的，另一种快捷的办法是利用 network 的搜索功能，如果你不知道搜索按钮，我在上图已经圈出来啦，我们在要闻中随便复制一个新闻标题，然后检索一下，就可以获取到结果，如下图所示：

这样我们就快速的获取到了要闻数据的请求链接，链接为：https://temp.163.com/special/00804KVA/cm_yaowen.js?callback=data_callback，访问该链接，查看该链接返回的数据，如下图所示：

从数据我们可以看出，我们需要的数据都在这里啦，所以我们只需要解析这段数据接可以啦，要从这段数据中解析出新闻标题和新闻链接，有两种方式，一种是正则表达式，另一种是将该数据转成 json 或者 list。这里我选择第二种方式，利用 fastjson 将返回的数据转换成 JSONArray 。所以我们是要引入 fastjson ，在 pom.xml 中引入 fastjson 依赖：

<dependency><groupId>com.alibaba</groupId><artifactId>fastjson</artifactId><version>1.2.59</version>
</dependency>

除了引入 fastjson 依赖外，我们在转换前还需要对数据进行简单的处理，因为现在的数据并不符合 list 的格式，我们需要去掉 data_callback( 和最后面的 )。具体反向解析获取网易要闻的代码如下：

/*** 使用反向解析法 解决数据异步加载的问题** @param url*/
public void httpclientMethod(String url) throws IOException {CloseableHttpClient httpclient = HttpClients.createDefault();HttpGet httpGet = new HttpGet(url);CloseableHttpResponse response = httpclient.execute(httpGet);if (response.getStatusLine().getStatusCode() == 200) {HttpEntity entity = response.getEntity();String body = EntityUtils.toString(entity, "GBK");// 先替换掉最前面的 data_callback(body = body.replace("data_callback(", "");// 过滤掉最后面一个 ）右括号body = body.substring(0, body.lastIndexOf(")"));// 将 body 转换成 JSONArrayJSONArray jsonArray = JSON.parseArray(body);for (int i = 0; i < jsonArray.size(); i++) {JSONObject data = jsonArray.getJSONObject(i);System.out.println("文章标题：" + data.getString("title") + " ,文章链接：" + data.getString("docurl"));}} else {System.out.println("处理失败！！！返回状态码：" + response.getStatusLine().getStatusCode());}}

编写 main 方法，执行上面的方法，需要注意的地方是：这时候传入的链接为https://temp.163.com/special/00804KVA/cm_yaowen.js?callback=data_callback 而不是 https://news.163.com/。得到如下结果: