当我们在进行数据抓取的时候,如果目标网站是以Js的方式动态生成数据且以滚动页面的方式进行分页,那么我们该如何抓取呢?
如类似今日头条这样的网站: http://toutiao.com/
我们可以使用 Selenium 来搞定这件事情。Selenium的设计目的虽然是用于Web应用程序的自动化测试,但是却非常适合用来做数据抓取,可以非常简单地绕过网站的反爬虫限制,因为Selenium直接运行在浏览器中,就像真正的用户在操作一样。
使用Selenium,我们不但可以抓取Js动态生成数据的网页,而且可以抓取以滚动页面方式分页的网页。
首先,我们使用maven引入Selenium依赖:
Xml代码
- <dependency>
- <groupId>org.seleniumhq.selenium</groupId>
- <artifactId>selenium-java</artifactId>
- <version>2.47.1</version>
- </dependency>
接下来就可以写代码抓取了:
Java代码
- import org.openqa.selenium.By;
- import org.openqa.selenium.WebDriver;
- import org.openqa.selenium.WebElement;
- import org.openqa.selenium.firefox.FirefoxDriver;
-
- import java.util.List;
- import java.util.Random;
-
- /**
- * 如何抓取Js动态生成数据且以滚动页面方式分页的网页
- * 以抓取今日头条为例说明:http://toutiao.com/
- * Created by ysc on 10/13/15.
- */
- public class Toutiao {
- public static void main(String[] args) throws Exception{
-
- //等待数据加载的时间
- //为了防止服务器封锁,这里的时间要模拟人的行为,随机且不能太短
- long waitLoadBaseTime = 3000;
- int waitLoadRandomTime = 3000;
- Random random = new Random(System.currentTimeMillis());
-
- //火狐浏览器
- WebDriver driver = new FirefoxDriver();
- //要抓取的网页
- driver.get("http://toutiao.com/");
-
- //等待页面动态加载完毕
- Thread.sleep(waitLoadBaseTime+random.nextInt(waitLoadRandomTime));
-
- //要加载多少页数据
- int pages=5;
- for(int i=0; i<pages; i++) {
- //滚动加载下一页
- driver.findElement(By.className("loadmore")).click();
- //等待页面动态加载完毕
- Thread.sleep(waitLoadBaseTime+random.nextInt(waitLoadRandomTime));
- }
-
- //输出内容
- //找到标题元素
- List<WebElement> elements = driver.findElements(By.className("title"));
- int j=1;
- for(int i=0;i<elements.size();i++) {
- try {
- WebElement element = elements.get(i).findElement(By.tagName("a"));
- //输出标题
- System.out.println((j++) + "、" + element.getText() + " " + element.getAttribute("href"));
- }catch (Exception e){
- System.out.println("ignore "+elements.get(i).getText()+" because "+e.getMessage());
- }
- }
-
- //关闭浏览器
- driver.close();
- }
- }
代码也可以从我的开源项目 HtmlExtractor 中获取。
这里我们共抓取了6页,每页20条新闻,共120条新闻, 代码运行结果 。
本文转自:http://my.oschina.net/apdplat/blog/516848