Java 爬蟲遇上數據非同步載入，試試這兩種辦法！

2019 年 10 月 12 日
筆記

這是 Java 爬蟲系列博文的第三篇，在上一篇 Java 爬蟲遇到需要登錄的網站，該怎麼辦？中，我們簡單的講解了爬蟲時遇到登錄問題的解決辦法，在這篇文章中我們一起來聊一聊爬蟲時遇到數據非同步載入的問題，這也是爬蟲中常見的問題。

現在很多都是前後端分離項目，這會使得數據非同步載入問題更加突出，所以你在爬蟲時遇到這類問題不必驚訝，不必慌張。對於這類問題的解決辦法總體來說有以下兩種：

1、內置一個瀏覽器內核

內置瀏覽器就是在抓取的程式中，啟動一個瀏覽器內核，使我們獲取到 js 渲染後的頁面，這樣我們就跟採集靜態頁面一樣了。這種工具常用的有以下三種：

Selenium
HtmlUnit
PhantomJs

這些工具都能幫助我們解決數據非同步載入的問題，但是他們都存在缺陷，那就是效率不高而且不穩定。

2、反向解析法

什麼是反向解析法呢？我們 js 渲染頁面的數據是通過 Ajax 的方式從後端獲取的，我們只需要找到對應的 Ajax 請求連接就 OK，這樣我們就獲取到了我們需要的數據，反向解析法的好處就是這種方式獲取的數據都是 json 格式的數據，解析起來也比較方便，另一個好處就是相對頁面來說，介面的變化概率更小。同樣它有兩個不足之處，一個是在 Ajax 時你需要有耐心有技巧，因為你需要在一大推請求中找到你想要的，另一個不足的地方就是對 JavaScript 渲染的頁面束手無策。

上面就是非同步數據載入的兩種解決辦法，為了加深大家的理解和在項目中如何使用，我以採集網易要聞為例，網易新聞地址：https://news.163.com/ 。利用上訴的兩種方式來獲取網易要聞的新聞列表。網易要聞如下：

內置瀏覽器 Selenium 方式

Selenium 是一個模擬瀏覽器，進行自動化測試的工具，它提供一組 API 可以與真實的瀏覽器內核交互。在自動化測試上使用的比較多，爬蟲時解決非同步載入也經常使用它，我們要在項目中使用 Selenium ，需要做兩件事：

1、引入 Selenium 的依賴包，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、下載對應的 driver，例如我下載的 chromedriver，下載地址為：https://npm.taobao.org/mirrors/chromedriver/，下載後，需要將 driver 的位置寫到 Java 的環境變數里，例如我直接放在項目下，所以我的程式碼為：

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

完成上面兩步之後，我們就可以來編寫使用 Selenium 採集網易要聞啦。具體程式碼如下：

/**   * selenium 解決數據非同步載入問題   * https://npm.taobao.org/mirrors/chromedriver/   *   * @param url   */  public void selenium(String url) {      // 設置 chromedirver 的存放位置      System.getProperties().setProperty("webdriver.chrome.driver", "chromedriver.exe");      // 設置無頭瀏覽器，這樣就不會彈出瀏覽器窗口      ChromeOptions chromeOptions = new ChromeOptions();      chromeOptions.addArguments("--headless");        WebDriver webDriver = new ChromeDriver(chromeOptions);      webDriver.get(url);      // 獲取到要聞新聞列表      List<WebElement> webElements = webDriver.findElements(By.xpath("//div[@class='news_title']/h3/a"));      for (WebElement webElement : webElements) {          // 提取新聞連接          String article_url = webElement.getAttribute("href");          // 提取新聞標題          String title = webElement.getText();          if (article_url.contains("https://news.163.com/")) {              System.out.println("文章標題：" + title + " ,文章鏈接：" + article_url);          }      }      webDriver.close();  }

運行該方法，得到結果如下：

我們使用 Selenium 已經正確的提取到了網易要聞的列表新聞。

反向解析法

反向解析法就是獲取到 Ajax 非同步獲取數據的鏈接，直接獲取到新聞數據。如果沒有技巧的話，查找 Ajax 的過程將非常痛苦，因為一個頁面載入的鏈接太多了，看看網易要聞的 network：

有幾百條的請求，該如何查找到是哪條請求獲取的要聞數據呢？你不嫌麻煩的話，可以一個一個的去點，肯定能夠查找到的，另一種快捷的辦法是利用 network 的搜索功能，如果你不知道搜索按鈕，我在上圖已經圈出來啦，我們在要聞中隨便複製一個新聞標題，然後檢索一下，就可以獲取到結果，如下圖所示：

這樣我們就快速的獲取到了要聞數據的請求鏈接，鏈接為：https://temp.163.com/special/00804KVA/cm_yaowen.js?callback=data_callback，訪問該鏈接，查看該鏈接返回的數據，如下圖所示：

從數據我們可以看出，我們需要的數據都在這裡啦，所以我們只需要解析這段數據接可以啦，要從這段數據中解析出新聞標題和新聞鏈接，有兩種方式，一種是正則表達式，另一種是將該數據轉成 json 或者 list。這裡我選擇第二種方式，利用 fastjson 將返回的數據轉換成 JSONArray 。所以我們是要引入 fastjson ，在 pom.xml 中引入 fastjson 依賴：

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

除了引入 fastjson 依賴外，我們在轉換前還需要對數據進行簡單的處理，因為現在的數據並不符合 list 的格式，我們需要去掉 data_callback( 和最後面的 )。具體反向解析獲取網易要聞的程式碼如下：

/**   * 使用反向解析法 解決數據非同步載入的問題   *   * @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");          // 先替換掉最前面的 data_callback(          body = body.replace("data_callback(", "");          // 過濾掉最後面一個 ）右括弧          body = body.substring(0, body.lastIndexOf(")"));          // 將 body 轉換成 JSONArray          JSONArray jsonArray = JSON.parseArray(body);          for (int i = 0; i < jsonArray.size(); i++) {              JSONObject data = jsonArray.getJSONObject(i);              System.out.println("文章標題：" + data.getString("title") + " ,文章鏈接：" + data.getString("docurl"));          }      } else {          System.out.println("處理失敗！！！返回狀態碼：" + response.getStatusLine().getStatusCode());      }    }

編寫 main 方法，執行上面的方法，需要注意的地方是：這時候傳入的鏈接為https://temp.163.com/special/00804KVA/cm_yaowen.js?callback=data_callback 而不是 https://news.163.com/。得到如下結果:

兩種方法都成功的獲取到了網易要聞非同步載入的新聞列表，對於這兩種方法的選取，我個人的傾向是使用反向解析法，因為它的性能和穩定是都要比內置瀏覽器內核靠譜，但是對於一些使用 JavaScript 片段渲染的頁面，內置瀏覽器又更加靠譜。所以根據具體情況選擇吧。

希望這篇文章對你有所幫助，下一篇是關於爬蟲IP 被封的問題。如果你對爬蟲感興趣，不妨關注一波，相互學習，相互進步

源程式碼：源程式碼

文章不足之處，望大家多多指點，共同學習，共同進步

最後

打個小廣告，歡迎掃碼關注微信公眾號：「平頭哥的技術博文」，一起進步吧。