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

現在很多都是前後端分離專案，這會使得資料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、內建一個瀏覽器核心

內建瀏覽器就是在抓取的程式中，啟動一個瀏覽器核心，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資料非同步載入的問題，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 渲染頁面的資料是通過 Ajax 的方式從後端獲取的，我們只需要找到對應的 Ajax 請求連線就 OK，這樣我們就獲取到了我們需要的資料，反向解析法的好處就是這種方式獲取的資料都是 json 格式的資料，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。

上面就是非同步資料載入的兩種解決辦法，為了加深大家的理解和在專案中如何使用，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：

內建瀏覽器 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核心互動。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，我們要在專案中使用 Selenium ，需要做兩件事：

• 1、引入 Selenium 的依賴包，在 pom.xml 中新增

<!-- 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 的環境變數裡，例如我直接放在專案下，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 解決資料非同步載入問題
 * https://npm.taobao.org/mirrors/chromedriver/
 *
 * @param url
 */
public void selenium(String url) {
    // 設定 chromedirver 的存放位置
    System.getProperties().setProperty("webdriver.chrome.driver", "chromedriver.exe");
    // 設定無頭瀏覽器，這樣就不會彈出瀏覽器視窗
    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) {
        // 提取新聞連線
        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 + " ,文章連結：" + article_url);
        }
    }
    webDriver.close();
}

執行該方法，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 非同步獲取資料的連結，直接獲取到新聞資料。如果沒有技巧的話，查詢 Ajax 的過程將非常痛苦，因為一個頁面載入的連結太多了，看看網易要聞的 network：

有幾百條的請求，該如何查詢到是哪條請求獲取的要聞資料呢？你不嫌麻煩的話，可以一個一個的去點，肯定能夠查詢到的，另一種快捷的辦法是利用 network 的搜尋功能，如果你不知道搜尋按鈕，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資料的請求連結，連結為：https://temp.163.com/special/00804KVA/cm_yaowen.js?callback=data_callback，訪問該連結，檢視該連結返回的資料，如下圖所示：

從資料我們可以看出，我們需要的資料都在這裡啦，所以我們只需要解析這段資料接可以啦，要從這段資料中解析出新聞標題和新聞連結，有兩種方式，一種是正則表示式，另一種是將該資料轉成 json 或者 list。這裡我選擇第二種方式，利用 fastjson 將返回的資料轉換成 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資料進行簡單的處理，因為現在的資料並不符合 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 解決資料非同步載入的問題
 *
 * @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 ）右括號
        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") + " ,文章連結：" + 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：這時候傳入的連結為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，因為它的效能和穩定是都要比內建瀏覽器核心靠譜，但是對於一些使用 JavaScript 片段渲染的頁面，內建瀏覽器又更加靠譜。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

原始碼：原始碼

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。

相關推薦