学习用java基于webMagic+selenium+phantomjs实现爬虫Demo爬取淘宝搜索页面

团队的技术栈以java为主，并且我的主语言是Java，研究时间不到一周。基于以上原因固放弃python，选择java为语言来进行开发。等之后有时间再尝试python来实现一个。

       本次爬虫选用了webMagic+selenium+phantomjs，选用他们的原因如下：

 webMagic(v:0.73)，一个轻量级的Java爬虫框架(git地址：https://github.com/code4craft/webmagic，主页地址:http://webmagic.io/)：
时间和个人水平关系，放弃重复造轮子实现一套，固上网找一个框架(技术不好限制了我的风骚想法)
webMagic是一款国人实现的轻量级爬虫框架,注释肯定是中文(英文不好限制了我的选择范围)
文档不少，而且用的人多，有问题网上好找解答

selenium，一个用于Web应用程序测试的工具。Selenium测试直接运行在浏览器中，就像真正的用户在操作一样,配合chromeDriver就可以通过代码对谷歌浏览器为所欲为了,阶段测试时候需要驱动谷歌浏览器的chromeDriver(附上下载地址：http://npm.taobao.org/mirrors/chromedriver/)
因为本次爬取目标是淘宝网，淘宝使用的Js渲染加大了爬取的难度，如果根据接口去爬取，需要搞清楚各种接口参数在哪里，非常麻烦，而且可能某些参数实在找不到，所以选用selenium直接用浏览器渲染，降低了找不到参数的引起尴尬场面的风险
但是用浏览器爬取必然会大大降低爬取效率，如果简单网站还是不建议使用这种方式

phantomjs，一个基于webkit内核的无头浏览器，即没有UI界面，即它就是一个浏览器，只是其内的点击、翻页等人为相关操作需要程序设计实现。(附上下载地址：http://phantomjs.org/):

如果每次爬取都要开启一个chrome浏览器，那简直就是内存噩梦，所以采用phantomjs来充当浏览器

   说完框架的选择， 我们先贴上设计图：



 

　然后我们再贴上使用的jar包：

  1、先让我们用chromeDriver测试一波selenium：

package com.chinaredstar.jc.crawler.biz.test.chrome;

import org.openqa.selenium.By;
import org.openqa.selenium.WebDriver;
import org.openqa.selenium.WebElement;
import org.openqa.selenium.chrome.ChromeDriverService;
import org.openqa.selenium.remote.DesiredCapabilities;
import org.openqa.selenium.remote.RemoteWebDriver;
import org.openqa.selenium.support.ui.ExpectedCondition;
import org.openqa.selenium.support.ui.WebDriverWait;

import java.io.File;
import java.io.IOException;

/**
* chromeDriver是谷歌的浏览器驱动，用来适配Selenium,有图形页面存在，在调试爬虫下载运行的功能的时候会相对方便
* @author zhuangj
* @date 2017/11/14
*/
public class TestChromeDriver {

private static ChromeDriverService service;

public static WebDriver getChromeDriver() throws IOException {
System.setProperty("webdriver.chrome.driver","C:/Users/sunlc/AppData/Local/Google/Chrome/Application/chrome.exe");
// 创建一个 ChromeDriver 的接口，用于连接 Chrome（chromedriver.exe 的路径可以任意放置，只要在newFile（）的时候写入你放的路径即可）
service = new ChromeDriverService.Builder().usingDriverExecutable(new Fil
4000
e("D:\\chromedriver\\qd-chromedriver_pc18\\qd-chromedriver_pc18\\chromedriver.exe")) .usingAnyFreePort().build();
service.start();
// 创建一个 Chrome 的浏览器实例
return new RemoteWebDriver(service.getUrl(), DesiredCapabilities.chrome());
}

public static void main(String[] args) throws IOException {

WebDriver driver = TestChromeDriver.getChromeDriver();
// 让浏览器访问 Baidu
driver.get("https://www.taobao.com/");
// 用下面代码也可以实现
//driver.navigate().to("http://www.baidu.com");
// 获取 网页的 title
System.out.println(" Page title is: " +driver.getTitle());
// 通过 id 找到 input 的 DOM
WebElement element =driver.findElement(By.id("q"));
// 输入关键字
element.sendKeys("东鹏瓷砖");
// 提交 input 所在的 form
element.submit();
// 通过判断 title 内容等待搜索页面加载完毕，间隔秒
new WebDriverWait(driver, 10).until(new ExpectedCondition() {
@Override
public Object apply(Object input) {
return ((WebDriver)input).getTitle().toLowerCase().startsWith("东鹏瓷砖");
}
});
// 显示搜索结果页面的 title
System.out.println(" Page title is: " +driver.getTitle());
// 关闭浏览器
driver.quit();
// 关闭 ChromeDriver 接口
service.stop();
}

}

看结果：



经过上网查询，测试是chrome驱动器与我本地的chrome浏览器版本对不上，chromDriver和浏览器的对应版本如下：

 

chromedriver版本	支持的Chrome版本
v2.33	v60-62
v2.32	v59-61
v2.31	v58-60
v2.30	v58-60
v2.29	v56-58
v2.28	v55-57
v2.27	v54-56
v2.26	v53-55
v2.25	v53-55
v2.24	v52-54
v2.23	v51-53
v2.22	v49-52
v2.21	v46-50
v2.20	v43-48
v2.19	v43-47
v2.18	v43-46
v2.17	v42-43
v2.13	v42-45
v2.15	v40-43
v2.14	v39-42
v2.13	v38-41
v2.12	v36-40
v2.11	v36-40
v2.10	v33-36
v2.9	v31-34
v2.8	v30-33
v2.7	v30-33
v2.6	v29-32
v2.5	v29-32
v2.4	v29-32

重新下载chromeDriver后：浏览器按照预想开启查询关闭：ide控制台打印如下：

  2、然后我们来测试一波phantomJs：

　　（其实中间有一段测试失败，但是忘了是什么原因了，就不去重现了）

package com.chinaredstar.jc.crawler.biz.test.phantomjs;

import org.openqa.selenium.WebDriver;
import org.openqa.selenium.phantomjs.PhantomJSDriver;
import org.openqa.selenium.phantomjs.PhantomJSDriverService;
import org.openqa.selenium.remote.DesiredCapabilities;

/**
* PhantomJs是一个基于webkit内核的无头浏览器，即没有UI界面，即它就是一个浏览器，只是其内的点击、翻页等人为相关操作需要程序设计实现;
* 因为爬虫如果每次爬取都调用一次谷歌浏览器来实现操作,在性能上会有一定影响,而且连续开启十几个浏览器简直是内存噩梦,
* 因此选用phantomJs来替换chromeDriver
* PhantomJs在本地开发时候还好，如果要部署到服务器，就必须下载linux版本的PhantomJs,相比window操作繁琐
* @author zhuangj
* @date 2017/11/14
*/
public class TestPhantomJsDriver {

public static PhantomJSDriver getPhantomJSDriver(){
//设置必要参数
DesiredCapabilities dcaps = new DesiredCapabilities();
//ssl证书支持
dcaps.setCapability("acceptSslCerts", true);
//截屏支持
dcaps.setCapability("takesScreenshot", false);
//css搜索支持
dcaps.setCapability("cssSelectorsEnabled", true);
//js支持
dcaps.setJavascriptEnabled(true);
//驱动支持
dcaps.setCapability(PhantomJSDriverService.PHANTOMJS_EXECUTABLE_PATH_PROPERTY,"D:\\chromedriver\\phantomjs-2.1.1-windows\\phantomjs-2.1.1-windows\\bin\\phantomjs.exe");

PhantomJSDriver driver = new PhantomJSDriver(dcaps);
return  driver;
}

public static void main(String[] args) {
WebDriver driver=getPhantomJSDriver();
driver.get("http://www.baidu.com");
System.out.println(driver.getCurrentUrl());
}
}

看结果：

3、我们用WebMagic把他们整合：

controller：

@RequestMapping("/testTaoBaoSearch")
public RestResultVo testTaoBaoSearch(String keyWord){
Spider spider=Spider.create(new TestTaoBaoPageProcessor(keyWord));
HttpClientDownloader httpClientDownloader = new HttpClientDownloader();
//免费代理不稳定老挂
//        httpClientDownloader.setProxyProvider(SimpleProxyProvider.from(new Proxy("0.0.0.0",0000)));
spider.setDownloader(httpClientDownloader);
spider.addUrl("https://s.taobao.com/search?q="+keyWord).thread(1).run();
return null;
}

 

 TestTaoBaoPageProcessor：

package com.chinaredstar.jc.crawler.biz.test.taobao;

import com.chinaredstar.jc.crawler.biz.test.chrome.TestChromeDriver;
import com.chinaredstar.jc.crawler.biz.test.phantomjs.TestPhantomJsDriver;
import org.apache.commons.lang.StringUtils;
import org.openqa.selenium.By;
import org.openqa.selenium.WebDriver;
import org.openqa.selenium.WebElement;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.processor.PageProcessor;
import us.codecraft.webmagic.selector.Html;
import us.codecraft.webmagic.selector.Selectable;

import java.io.IOException;
import java.util.ArrayList;
import java.util.HashSet;
import java.util.List;

/**
*
* @author zhuangj
* @date 2017/11/13
*/
public class TestTaoBaoPageProcessor implements PageProcessor {

private String keyWord;

private static final String TAO_BAO_DETAIL_URL_START="https://item.taobao.com/item.htm";

private static final String TIAN_MAO_DETAIL_URL_START="https://detail.tmall.com/item.htm";

private Site site = Site
.me()
.setCharset("UTF-8")
.setCycleRetryTimes(3)
.setSleepTime(3 * 1000)
.addHeader("Connection", "keep-alive")
.addHeader("Cache-Control", "max-age=0")
.addHeader("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:50.0) Gecko/20100101 Firefox/50.0");

public String getKeyWord() {
return keyWord;
}

public void setKeyWord(String keyWord) {
this.keyWord = keyWord;
}

public TestTaoBaoPageProcessor() {
}

public TestTaoBaoPageProcessor(String keyWord) {
this.keyWord = keyWord;
}

@Override
public Site getSite() {
return site;
}

@Override
public void process(Page page) {
WebDriver driver= TestPhantomJsDriver.getPhantomJSDriver();
//        WebDriver driver= null;
//        try {
//            driver = TestChromeDriver.getChromeDriver();
//        } catch (IOException e) {
//            e.printStackTrace();
//        }
driver.get(page.getRequest().getUrl());
WebElement webElement = driver.findElement(By.id("page"));
String str = webElement.getAttribute("outerHTML");

Html html = new Html(str);
if(isFirstPage(html)){
analysisPagination(page,html);
}else if(isListPage(html)){
analysisListPage(page,html,driver);
}else {
analysisDetailPage(page,html,driver);
}
}

private void analysisListPage(Page page, Html html, WebDriver driver) {
List<String> detailPageList= html.xpath("//*[@id=\"mainsrp-itemlist\"]").$("a[id^='J_Itemlist_TLink_']").xpath("//a/@href").all();
page.addTargetRequests(detailPageList);
}

/**
* 分析分页规则
* @param page
* @param html
*/
private void analysisPagination(Page page,Html html){
List<String> pageList= html.xpath("//*[@id=\"mainsrp-pager\"]/div/div/div/ul/li/a/@data-value").all();
pageList = new ArrayList(new HashSet(pageList));

List<String> pageParameterList=new ArrayList<>();
for(String  value:pageList){
pageParameterList.add("https://s.taobao.com/search?q="+getKeyWord()+"&s="+value);
}
page.addTargetRequests(pageParameterList);
}

/**
* 分析详情页
* @param page
* @param html
* @param driver
*/
private void analysisDetailPage(Page page,Html html,WebDriver driver){
String url=page.getUrl().toString();
if(url.startsWith(TAO_BAO_DETAIL_URL_START)){
analysisTaoBaoDetailPage(page,html,driver);
}else if(url.startsWith(TIAN_MAO_DETAIL_URL_START)){
analysisTianMaoDetailPage(page,html,driver);
}
}

/**
* 分析淘宝详情页
* @param page
* @param html
* @param driver
*/
private void analysisTaoBaoDetailPage(Page page,Html html,WebDriver driver){
page.putField("price", html.xpath("//[@id=\"J_StrPrice\"]/em[2]/text()").toString());
page.putField("shopName", html.xpath("//*[@id=\"J_ShopInfo\"]/div/div[1]/div[1]/dl/dd/strong/a/text()").toString());
page.putField("title", html.xpath("////*[@id=\"J_Title\"]/h3/text()").toString());

}

/**
* 分析天猫详情页
* @param page
* @param html
* @param driver
*/
private void analysisTianMaoDetailPage(Page page,Html html,WebDriver driver){
page.putField("price", html.xpath("//[@id=\"J_StrPriceModBox\"]/dd/span/text()").toString());
page.putField("shopName", driver.findElement(By.name("seller_nickname")).getAttribute("value"));
page.putField("name", html.xpath("//[@id=\"J_DetailMeta\"]/div[1]/div[1]/div/div[1]/h1/text()").toString());
}

/**
* 是否为列表页
* @param html
* @return
*/
private boolean isListPage(Html html) {
String tmp = html.$("#mainsrp-pager").get();
if (StringUtils.isNotBlank(tmp)) {
return true;
}
return false;
}

/**
* 列表页获取当前页码
* @param html
* @return
*/
private String getCurrentPageNo(Html html){
return html.xpath("//*[@id=\"mainsrp-pager\"]/div/div/div/ul/li[contains(@class,'active')]/span/text()").toString();
}

/**
* 判断是否列表页的第一页
* @param html
* @return
*/
private Boolean isFirstPage(Html html){
return isListPage(html)&&getCurrentPageNo(html).equals("1");
}

}

 数据保存到数据库：



 

这里有几点：

WebMagic的抽取主要用到了Jsoup和webMagic作者开发的工具Xsoup，并不懂这个语法还自己学了下。xpath如果自己抓取绝对累死，可以用chrome浏览器自带功能


使用chrome抓取时候数据正常，改为phantomJs时候数据错乱，一脸懵逼。为了查找原因，就到追溯爬虫爬取过程，修改了webMagic的Request类,给他添加parentUrl属性。

package com.chinaredstar.jc.crawler.biz.test.extend;

import us.codecraft.webmagic.Request;

/**
*
* @author zhuangj
* @date 2017/11/15
*/
public class RequestExtend extends Request {

private String parentUrl;

public RequestExtend(String url,String parentUrl) {
super(url);
this.parentUrl = parentUrl;
}

public String getParentUrl() {
return parentUrl;
}

public void setParentUrl(String parentUrl) {
this.parentUrl = parentUrl;
}
}　　　　

 分析方法的时候写上父级的URl，方便如果有数据问题进行追溯。

private void analysisListPage(Page page, Html html, WebDriver driver) {
RequestExtend requestExtend= (RequestExtend) page.getRequest();
System.out.println("parentUrl:"+requestExtend.getParentUrl());
System.out.println("nowUrl:"+page.getUrl());
List<String> detailPageList= html.xpath("//*[@id=\"mainsrp-itemlist\"]").$("a[id^='J_Itemlist_TLink_']").xpath("//a/@href").all();
for(String deetailPage:detailPageList){
RequestExtend extend=new RequestExtend("https:"+deetailPage,page.getUrl().toString());
page.addTargetRequest(extend);
}
}

详情页获取父节点也可以完成。

/**
* 分析淘宝详情页
* @param page
* @param html
* @param driver
*/
private void analysisTaoBaoDetailPage(Page page,Html html,WebDriver driver){
RequestExtend requestExtend= (RequestExtend) page.getRequest();
System.out.println("parentUrl:"+requestExtend.getParentUrl());
System.out.println("nowUrl:"+page.getUrl());
page.putField("price", html.xpath("//[@id=\"J_StrPrice\"]/em[2]/text()").toString());
String shopName=html.xpath("//*[@id=\"J_ShopInfo\"]/div/div[1]/div[1]/dl/dd/strong/a/text()").toString();
if(StringUtils.isBlank(shopName)){
shopName=html.xpath("//*[@id=\"header-content\"]/div[2]/div[1]/div[1]/a/text()").toString();
}
page.putField("shopName", shopName);
page.putField("title", html.xpath("////*[@id=\"J_Title\"]/h3/text()").toString());

TaoBaoPo po=new TaoBaoPo();
po.setParentUrl(requestExtend.getParentUrl());
po.setPrice(page.getResultItems().get("price"));
po.setShopName(page.getResultItems().get("shopName"));
po.setTitle(page.getResultItems().get("title"));
po.setUrl(page.getUrl().toString());
taoBaoCrawlerService.saveProductDetail(po);
}

 问题的排查结果是我查询时候keyWord是中文。chromeDriver可以处理而phantomJs不能识别，给加一个url转码：

/**
* 使用chromeDriver程序正常运行,转换成PhtanomJs后发现查询到的数据不是想要的数据，复制HTML查看页面后,
* 发现搜索的数据是错乱的,搜索框上显示着？？？，猜测是转码的问题，经过URLEncode之后，程序正常运行。
* @return
*/
public String getKeyWord() {
try {
return URLEncoder.encode(keyWord,"UTF-8");
} catch (UnsupportedEncodingException e) {
e.printStackTrace();
}
return StringUtils.EMPTY;
}

测试的时候代码越跑越慢，打开进程发现一堆phantomJs,固在process结束之后调用driver.quit()关闭phantomJs。

结语：本次demo虽然能跑起来但是还有很多很多不足，每次爬取搜索页只爬了四页，搜索的第一页也没爬，但是懒得再弄，保存数据应该用webMagic的Pipeline来处理，而且频繁的单次保存可以想办法用批量保存来替换；频繁的创建销毁driverJs并不合理，应该使用池化技术做一个DriverPool来管理；demo没有使用IP代理，容易被封，应该写一个IP代理池来管理第三方ip，不过要钱所以就算了。毕竟只是一个demo，剩余问题就不一一列举。

转载地址：https://www.cnblogs.com/null-qige/p/7844381.html