【Java爬虫-HtmlUnit学习总结】
htmlunit 是一款开源的java 页面分析工具，读取页面后，可以有效的使用htmlunit分析页面上的内容。项目可以模拟浏览器运行，被誉为java浏览器的开源实现。是一个没有界面的浏览器，运行速度迅速。
环境搭建
Maven依赖
<dependency>
<groupId>net.sourceforge.htmlunit</groupId>
<artifactId>htmlunit</artifactId>
<version>2.15</version>
</dependency>
1. 基本使用
final WebClient webClient=new WebClient();//创建对象
final HtmlPage page=webClient.getPage("https://www.baidu.com");//获取页面
System.out.println(page.asText());//asText() 顾名思义 获取所有文本
webClient.closeAllWindows();//关闭窗口
List<HtmlAnchor> achList=page.getAnchors();
for(HtmlAnchor ach:achList){
System.out.println(ach.getHrefAttribute());
}
1.HtmlUnit对Javascript的支持不是很好
2.HtmlUnit对CSS的支持不是很好所以我们修改一下，
final WebClient webClient=new WebClient();
webClient.getOptions().setCssEnabled(false);//关闭css
webClient.getOptions().setJavaScriptEnabled(false);//关闭js
final HtmlPage page=webClient.getPage("https://www.baidu.com");
System.out.println(page.asText());
webClient.closeAllWindows();
1.1 模拟特定浏览器
//模拟chorme浏览器，其他浏览器请修改BrowserVersion.xxx常量 WebClient webClient=new WebClient(BrowserVersion.CHROME);
1.2 代理服务器的配置
代理的配置很简单，只需要配置好地址，端口，用户名与密码即可
final WebClient webClient = new WebClient(BrowserVersion.CHROME,"http://127.0.0.1",8087);
final DefaultCredentialsProvider credentialsProvider = (DefaultCredentialsProvider) webClient.getCredentialsProvider();
credentialsProvider.addCredentials("username","password");
1.3 模拟表单的提交
//获取表单
final HtmlForm form = page.getFormByName("form");
//获取提交按扭
final HtmlSubmitInput button = form.getInputByName("submit");
//一会得输入的
final HtmlTextInput textField = form.getInputByName("userid");
textField.setValueAttribute("test");
//点击提交表单
final HtmlPage page = button.click();
1.4 获取页中所有的链接
网络爬虫中主要目的就是获取页中所有的链接，代码如下：
List<HtmlAnchor> achList=page.getAnchors();
for(HtmlAnchor ach:achList){
System.out.println(ach.getHrefAttribute());
}
1.5 使用Htmlunit上传文件
使用HtmlUnit模拟浏览器操作时，我们有时候要做一些上传文件操作。这就要利用HtmlFileInput这个类了。
通过page获得HtmlForm，再通过HtmlForm获得HtmlFileInput
HtmlForm form = page.getFormByName("form");//如果有form的话
//如果在获取HtmlForm时，发现form表单没有name属性，也可以通过下列语句获取
//HtmlForm form = page.getForms().get(0);
HtmlFileInput fileInput = form.getInputByName("fileInput");
//通过设置valueAttribute来确定上传哪个文件
fileInput.setValueAttribute("D:\\111.jpg");
//最后按下提交按钮提交
HtmlElement submitBtn = page.getElementByName("submit");
submitBtn.click();
1.6 查找特定元素
通过get或者XPath可以从HtmlPage中获得特定的Html元素，如下例子
1.6.1 通过get方法获取
XPath通常用于无法通过Id搜索或者需要更为复杂的搜索时，XPath的相关教程Xpath
//同样可以打印出hed的内容,//div中//表示搜索整个文档中的div,并将这些div
//放入list中，然后获取第一个div
final HtmlDivision div = (HtmlDivision) page.getByXPath("//div").get(0);
System.out.println(div.asXml());//asXml() 转换为xml形式
1.6.3 通过CSS选择器(Selector)获取
-
querySelector(String selectors) 获取匹配选择器的第一个元素
- DomNodeList<DomNode> domNodeList=querySelectorAll(String selectors) 获取所有匹配选择器的元素
// 获取当前页的所有class="i"元素。返回 DOM节点列表
DomNodeList<DomNode> iList = page.querySelectorAll(".i");
// 遍历
for(DomNode i: iList) {
// 选择 p 元素
DomNode p = i.querySelector("p");
// asText() 返回 元素文本， contains是 String的方法，查找 "回0 " 字符串
if(p.asText().contains("回0 ")) {
// 这里就是找到了 回帖为0的帖子
// 我们用 父元素 div.i 来继续获取 子元素 a 标签。
HtmlAnchor a = (HtmlAnchor)i.querySelector("a");
// 获取 a 标签的属性 href ，就是帖子详情的地址啦！！
String href = a.getAttribute("href");
System.out.println(href);
}
2.WebClient常用使用流程及参数设置
//1.创建对象
WebClient webClient=new WebClient(BrowserVersion.CHROME);
//2.设置参数
//启动js
webClient.getOptions().setJavaScriptEnabled(true);
//关闭css渲染
webClient.getOptions().setCssEnabled(false);
//启动重定向
webClient.getOptions().setRedirectEnabled(true);
//启动cookie管理
webClient.setCookieManager(new CookieManager());
//启动ajax代理
webClient.setAjaxController(new NicelyResynchronizingAjaxController());
//js运行时错误，是否抛出异常
webClient.getOptions().setThrowExceptionOnScriptError(false);
//3.获取页面
HtmlPage page=webClient.getPage(url);
//等待js渲染执行 waitime等待时间(ms)
webClient.waitForBackgroundJavaScript(waitime);
//4.解析页面
......
