jsoup+htmlUnit可以实现抓取执行过js的html页面

1：背景

　　本来想用jsoup去抓取一个页面但是抓取的数据总是不全，然后发现有的数据是页面执行过js之后渲染到页面上的，也就是说只有执行过js之后数据页面上才会显示数据，但是jsoup并不能实现执行页面的js。

 

2：解决

　　搜索后发现htmlunit网络工具可以实现执行js，他是一个相当于一个没有页面的浏览器，解决方案就是先使用htmlUnit发送网络请求，执行js获取页面然后利用jsoup再转换为Document页面对象，然后使用jsoup分析页面读取数据。

 

3：htmlUnit发送请求

public static Document getDocument() throws IOException, InterruptedException{
        /*String url="https://www.marklines.com/cn/vehicle_sales/search_country/search/?searchID=587200";
        Connection connect = Jsoup.connect(url).userAgent("")
                .header("Cookie", "PLAY_LANG=cn; _plh=b9289d0a863a8fc9c79fb938f15372f7731d13fb; PLATFORM_SESSION=39034d07000717c664134556ad39869771aabc04-_ldi=520275&_lsh=8cf91cdbcbbb255adff5cba6061f561b642f5157&csrfToken=209f20c8473bc0518413c226f898ff79cd69c3ff-1539926671235-b853a6a63c77dd8fcc364a58&_lpt=%2Fcn%2Fvehicle_sales%2Fsearch&_lsi=1646321; _ga=GA1.2.2146952143.1539926675; _gid=GA1.2.1032787565.1539926675; _plh_notime=8cf91cdbcbbb255adff5cba6061f561b642f5157")
                .timeout(360000000);
        Document document = connect.get();*/
        WebClient wc = new WebClient(BrowserVersion.CHROME);
        //是否使用不安全的SSL
        wc.getOptions().setUseInsecureSSL(true);
        //启用JS解释器，默认为true
        wc.getOptions().setJavaScriptEnabled(true);
        //禁用CSS
        wc.getOptions().setCssEnabled(false);
        //js运行错误时，是否抛出异常
        wc.getOptions().setThrowExceptionOnScriptError(false);
        //状态码错误时，是否抛出异常
        wc.getOptions().setThrowExceptionOnFailingStatusCode(false);
        //是否允许使用ActiveX
        wc.getOptions().setActiveXNative(false);
        //等待js时间
        wc.waitForBackgroundJavaScript(600*1000);
        //设置Ajax异步处理控制器即启用Ajax支持
        wc.setAjaxController(new NicelyResynchronizingAjaxController());
        //设置超时时间
        wc.getOptions().setTimeout(1000000);
        //不跟踪抓取
        wc.getOptions().setDoNotTrackEnabled(false);
         WebRequest request=new WebRequest(new URL("https://www.marklines.com/cn/vehicle_sales/search_country/search/?searchID=587200"));
         request.setAdditionalHeader("User-Agent", "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:62.0) Gecko/20100101 Firefox/62.0");
         request.setAdditionalHeader("Cookie","PLAY_LANG=cn; _plh=b9289d0a863a8fc9c79fb938f15372f7731d13fb; PLATFORM_SESSION=39034d07000717c664134556ad39869771aabc04-_ldi=520275&_lsh=8cf91cdbcbbb255adff5cba6061f561b642f5157&csrfToken=209f20c8473bc0518413c226f898ff79cd69c3ff-1539926671235-b853a6a63c77dd8fcc364a58&_lpt=%2Fcn%2Fvehicle_sales%2Fsearch&_lsi=1646321; _ga=GA1.2.2146952143.1539926675; _gid=GA1.2.1032787565.1539926675; _plh_notime=8cf91cdbcbbb255adff5cba6061f561b642f5157");
        try {
            //模拟浏览器打开一个目标网址
            HtmlPage htmlPage = wc.getPage(request);
            //为了获取js执行的数据 线程开始沉睡等待
            Thread.sleep(1000);//这个线程的等待 因为js加载需要时间的
            //以xml形式获取响应文本
            String xml = htmlPage.asXml();
            //并转为Document对象return
            return Jsoup.parse(xml);
            //System.out.println(xml.contains("结果.xls"));//false
        } catch (FailingHttpStatusCodeException e) {
            e.printStackTrace();
        } catch (MalformedURLException e) {
            e.printStackTrace();
        } catch (IOException e) {
            e.printStackTrace();
        }
        return null;
    }

 

4：返回的Document对象交给jsoup进行处理

　　在这里只做了一个简单的输出，查看了一下数据是否渲染全部。

Document doc=getDocument();
        Element table=doc.select("table.table.table-bordered.aggregate_table").get(0);//获取到表格
        Element tableContext=table.getElementsByTag("tbody").get(0);
        Elements contextTrs=tableContext.getElementsByTag("tr");
        System.out.println(contextTrs.size());
        
        
        String context=doc.toString();
        OutputStreamWriter pw = null;
        pw = new OutputStreamWriter(new FileOutputStream("D:/test.txt"),"GBK");
        pw.write(context);
        pw.close();