首页 > 代码库 > 使用Selenium来抓取动态加载的页面
使用Selenium来抓取动态加载的页面
原文:http://my.oschina.net/flashsword/blog/147334?p=1
一般的爬虫都是直接使用http协议,下载指定url的html内容,并对内容进行分析和抽取。在我写的爬虫框架webmagic里也使用了HttpClient来完成这样的任务。
但是有些页面是通过js以及ajax动态加载的,例如:花瓣网。这时如果我们直接分析原始页面的html,是得不到有效的信息的。当然,因为无论怎样动态加载,基础信息总归是包含在初始页面中得,所以我们可以用爬虫代码来模拟js代码,js读取页面元素值,我们也读取页面元素值;js发送ajax,我们就拼凑参数、发送ajax并解析返回的json。这样总归是能做的,但是比较麻烦,有没有比较省力的方法呢?比较好的方法大概是内嵌一个浏览器了。
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。Selenium是跨语言的,有Java、C#、Python等版本,并且支持多种浏览器,chrome、firefox以及IE都支持。
在Java项目中使用Selenium,需要做两件事:
-
在项目中引入Selenium的Java模块,以Maven为例:
<dependency> <groupId>org.seleniumhq.selenium</groupId> <artifactId>selenium-java</artifactId> <version>2.33.0</version> </dependency>
-
下载对应的driver,以chrome为例:http://www.cnblogs.com/printN/p/7210633.html
下载后,需要将driver的位置写到Java的环境变量里,例如我在mac下将其下载到了
System.getProperties().setProperty("webdriver.chrome.driver","/Users/yihua/Downloads/chromedriver");/Users/yihua/Downloads/chromedriver
,则需要在程序里添加以下代码(当然在JVM参数里写-Dxxx=xxx也是可以的):
Selenium的API挺简单的,核心是WebDriver,下面是动态渲染页面,并获取最终html的代码:
1 @Test 2 public void testSelenium() { 3 System.getProperties().setProperty("webdriver.chrome.driver", "/Users/yihua/Downloads/chromedriver"); 4 WebDriver webDriver = new ChromeDriver(); 5 webDriver.get("http://huaban.com/"); 6 WebElement webElement = webDriver.findElement(By.xpath("/html")); 7 System.out.println(webElement.getAttribute("outerHTML")); 8 webDriver.close(); 9 }
值得注意的是,每次new ChromeDriver()
,Selenium都会建立一个Chrome进程,并使用一个随机端口在Java中与chrome进程进行通信来交互。由此可见有两个问题:
-
因此如果直接关闭Java程序,Chrome进程可能是无法关闭的。这里需要显示的调用
webDriver.close()
来关闭进程。 -
创建进程的开销还是比较大的,尽量对webDriver进行复用会比较好。可惜根据官方的文档,webDriver不是线程安全的,所以我们需要建立一个webDriver池来保存它们。不清楚Selenium是否有这样的接口,反正我是自己写了一个WebDriverPool来完成这个任务。
我已经将Selenium整合到了我的爬虫框架webmagic中,目前还是试用版本,有兴趣的可以一起学习交流。
最后说说效率问题。嵌入浏览器之后,不但要多花CPU去渲染页面,还要下载页面附加的资源。似乎单个webDriver中的静态资源是有缓存的,初始化之后,访问速度会加快。我试用ChromeDriver加载了100次花瓣的首页(http://huaban.com/),共耗时263秒,平均每个页面2.6秒。
为了测试效果,我写了一个花瓣抽取器,抽取花瓣网的分享图片url,用了咱自己的webmagic框架,集成了Selenium。
1 /** 2 * 花瓣网抽取器。<br> 3 * 使用Selenium做页面动态渲染。<br> 4 */ 5 public class HuabanProcessor implements PageProcessor { 6 7 private Site site; 8 9 @Override 10 public void process(Page page) { 11 page.addTargetRequests(page.getHtml().links().regex("http://huaban\\.com/.*").all()); 12 if (page.getUrl().toString().contains("pins")) { 13 page.putField("img", page.getHtml().xpath("//div[@id=‘pin_img‘]/img/@src").toString()); 14 } else { 15 page.getResultItems().setSkip(true); 16 } 17 } 18 19 @Override 20 public Site getSite() { 21 if (site == null) { 22 site = Site.me().setDomain("huaban.com").addStartUrl("http://huaban.com/").setSleepTime(1000); 23 } 24 return site; 25 } 26 27 public static void main(String[] args) { 28 Spider.create(new HuabanProcessor()).thread(5) 29 .scheduler(new RedisScheduler("localhost")) 30 .pipeline(new FilePipeline("/data/webmagic/test/")) 31 .downloader(new SeleniumDownloader("/Users/yihua/Downloads/chromedriver")) 32 .run(); 33 } 34 }
sample地址:HuabanProcessor.java
使用Selenium来抓取动态加载的页面