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

2023-10-19 04:32
文章标签 java 实现 学习 selenium 搜索 页面 爬虫 淘宝 爬取 demo phantomjs webmagic

本文主要是介绍学习用java基于webMagic+selenium+phantomjs实现爬虫Demo爬取淘宝搜索页面，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！

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

　　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：

 

　然后我们再贴上使用的jar包：

复制代码 
 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

  1、先让我们用chromeDriver测试一波selenium：

复制代码 
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 Baidudriver.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 titleSystem.out.println(" Page title is: " +driver.getTitle());// 通过 id 找到 input 的 DOMWebElement 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() {@Overridepublic Object apply(Object input) {return ((WebDriver)input).getTitle().toLowerCase().startsWith("东鹏瓷砖");}});// 显示搜索结果页面的 titleSystem.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

看结果：

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：

 

chromedriver版本 支持的Chrome版本
v2.33 v60-62
v2.32 v59-61
v2.31 v58-60
v2.30 v58-60
v2.29 v56-58
v2.28 v55-57
v2.27 v54-56
v2.26 v53-55
v2.25 v53-55
v2.24 v52-54
v2.23 v51-53
v2.22 v49-52
v2.21 v46-50
v2.20 v43-48
v2.19 v43-47
v2.18 v43-46
v2.17 v42-43
v2.13 v42-45
v2.15 v40-43
v2.14 v39-42
v2.13 v38-41
v2.12 v36-40
v2.11 v36-40
v2.10 v33-36
v2.9 v31-34
v2.8 v30-33
v2.7 v30-33
v2.6 v29-32
v2.5 v29-32
v2.4 v29-32

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：

  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 
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

看结果：

3、我们用WebMagic把他们整合：

controller：

复制代码 
 @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

 

 TestTaoBaoPageProcessor：

复制代码 
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;}@Overridepublic Site getSite() {return site;}@Overridepublic 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

 数据保存到数据库：

 

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

    • 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 
      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
    •  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 
      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
    • 详情页获取父节点也可以完成。
    • 复制代码 
      /*** 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
    •  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 
      /*** 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
    • 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。

这篇关于学习用java基于webMagic+selenium+phantomjs实现爬虫Demo爬取淘宝搜索页面的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/237346。

相关文章

idea maven编译报错Java heap space的解决方法

idea maven编译报错Java heap space的解决方法

《ideamaven编译报错Javaheapspace的解决方法》这篇文章主要为大家详细介绍了ideamaven编译报错Javaheapspace的相关解决方法,文中的示例代码讲解详细,感兴趣的... 目录1.增加 Maven 编译的堆内存2. 增加 IntelliJ IDEA 的堆内存3. 优化 Mave
阅读更多...
Java String字符串的常用使用方法

Java String字符串的常用使用方法

《JavaString字符串的常用使用方法》String是JDK提供的一个类,是引用类型,并不是基本的数据类型,String用于字符串操作,在之前学习c语言的时候,对于一些字符串,会初始化字符数组表... 目录一、什么是String二、如何定义一个String1. 用双引号定义2. 通过构造函数定义三、St
阅读更多...
springboot filter实现请求响应全链路拦截

springboot filter实现请求响应全链路拦截

《springbootfilter实现请求响应全链路拦截》这篇文章主要为大家详细介绍了SpringBoot如何结合Filter同时拦截请求和响应,从而实现​​日志采集自动化,感兴趣的小伙伴可以跟随小... 目录一、为什么你需要这个过滤器？​​​二、核心实现：一个Filter搞定双向数据流​​​​三、完整代码
阅读更多...
SpringBoot利用@Validated注解优雅实现参数校验

SpringBoot利用@Validated注解优雅实现参数校验

《SpringBoot利用@Validated注解优雅实现参数校验》在开发Web应用时,用户输入的合法性校验是保障系统稳定性的基础,​SpringBoot的@Validated注解提供了一种更优雅的解... 目录​一、为什么需要参数校验二、Validated 的核心用法​1. 基础校验2. php分组校验3
阅读更多...
Python实现AVIF图片与其他图片格式间的批量转换

Python实现AVIF图片与其他图片格式间的批量转换

《Python实现AVIF图片与其他图片格式间的批量转换》这篇文章主要为大家详细介绍了如何使用Pillow库实现AVIF与其他格式的相互转换,即将AVIF转换为常见的格式,比如JPG或PNG,需要的小... 目录环境配置1.将单个 AVIF 图片转换为 JPG 和 PNG2.批量转换目录下所有 AVIF 图
阅读更多...
Java Predicate接口定义详解

Java Predicate接口定义详解

《JavaPredicate接口定义详解》Predicate是Java中的一个函数式接口,它代表一个判断逻辑,接收一个输入参数,返回一个布尔值,：本文主要介绍JavaPredicate接口的定义... 目录Java Predicate接口Java lamda表达式 Predicate<T>、BiFuncti
阅读更多...
Pydantic中model_validator的实现

Pydantic中model_validator的实现

《Pydantic中model_validator的实现》本文主要介绍了Pydantic中model_validator的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价... 目录引言基础知识创建 Pydantic 模型使用 model_validator 装饰器高级用法mo
阅读更多...
Spring Security基于数据库的ABAC属性权限模型实战开发教程

Spring Security基于数据库的ABAC属性权限模型实战开发教程

《SpringSecurity基于数据库的ABAC属性权限模型实战开发教程》：本文主要介绍SpringSecurity基于数据库的ABAC属性权限模型实战开发教程,本文给大家介绍的非常详细,对大... 目录1. 前言2. 权限决策依据RBACABAC综合对比3. 数据库表结构说明4. 实战开始5. MyBA
阅读更多...
AJAX请求上传下载进度监控实现方式

AJAX请求上传下载进度监控实现方式

《AJAX请求上传下载进度监控实现方式》在日常Web开发中,AJAX（AsynchronousJavaScriptandXML）被广泛用于异步请求数据,而无需刷新整个页面,：本文主要介绍AJAX请... 目录1. 前言2. 基于XMLHttpRequest的进度监控2.1 基础版文件上传监控2.2 增强版多
阅读更多...
Spring Security方法级安全控制@PreAuthorize注解的灵活运用小结

Spring Security方法级安全控制@PreAuthorize注解的灵活运用小结

《SpringSecurity方法级安全控制@PreAuthorize注解的灵活运用小结》本文将带着大家讲解@PreAuthorize注解的核心原理、SpEL表达式机制,并通过的示例代码演示如... 目录1. 前言2. @PreAuthorize 注解简介3. @PreAuthorize 核心原理解析拦截与
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2