当前位置:首页 > Java技术 > 正文内容

爬虫技术之 htmlunit 使用入门

canca3年前 (2022-07-09)Java技术815

1 htmlunit简介

 htmlunit是java实现的开源无界面浏览器,可以有效的加载动态页面。

2 htmlunit的获取

2.1 maven 构建

<dependency>
  <groupId>net.sourceforge.htmlunit</groupId>
  <artifactId>htmlunit</artifactId>
  <version>2.31</version>
</dependency>

2.2 官网下载

 下载地址

3 具体使用

3.1获取页面

  //获取页面
        WebClient webClient=new WebClient();
        //是否开启js渲染
        webClient.getOptions().setJavaScriptEnabled(true);
        HtmlPage page=null;
        try {
            page=webClient.getPage("https://mp.csdn.net/");
            //等待页面渲染完成
            Thread.sleep(3000);
            //控制台打印出页面
            System.out.println(page.asXml());
        } catch (Exception e) {
            e.printStackTrace();
        }

3.2 一些设置

       //是否开启css渲染
        webClient.getOptions().setCssEnabled(false);
        //是否开启js渲染
        webClient.getOptions().setJavaScriptEnabled(true);
        //是否允许所有人链接(解决https证书不信任问题)
        webClient.getOptions().setUseInsecureSSL(true);
        //js失败是否抛出异常
        webClient.getOptions().setThrowExceptionOnScriptError(false);
        //是否启用重定向
        webClient.getOptions().setRedirectEnabled(true);

3.3 执行页面js

      //执行页面js,并获得结果,获取页面中变量_hmt的值
        ScriptResult t=page.executeJavaScript("_hmt ");
        System.out.println(t.getJavaScriptResult().toString());

3.4操作dom树,并触发相关事件

      //获取元素 类似js语法的操作方式
        DomElement domElement= page.getElementById("feedlist_id");
        try {
            //触发单击事件,获得新的页面
          HtmlPage page1= domElement.click();
        } catch (IOException e) {
            e.printStackTrace();
        }

3.5与httpclient相互转换

    在爬虫使用时。可能涉及到这两个工具的结合使用,其实转换的核心就是cookie的转换

  //创建httpclient的客户端
        CookieStore cookieStore = new BasicCookieStore();
        CloseableHttpClient httpClient = HttpClients.custom()
                .setDefaultCookieStore(cookieStore)
                .build();
        //获取htmlunit cookie;
      Set<Cookie> htmlUnitCookies=  webClient.getCookieManager().getCookies();
      //将htmlunit cookie 转换成htmlclient cookie
      for(Cookie cookie:htmlUnitCookies){
          cookieStore.addCookie(new BasicClientCookie(cookie.getName(),cookie.getValue()));
      }
 
      //获取htmlclient cookie
        List<org.apache.http.cookie.Cookie> httpClientCookies= cookieStore.getCookies();
        //cookie 转换
        for(org.apache.http.cookie.Cookie cookie:httpClientCookies){
            webClient.getCookieManager().addCookie(new Cookie(cookie.getDomain(),cookie.getName(),cookie.getValue()));
        }

引用原文:https://blog.csdn.net/qq_34661726/article/details/80641474

扫描二维码推送至手机访问。

版权声明:本文由Ant.Master's Blog发布,如需转载请注明出处。

本文链接:https://iant.work/post/815.html

标签: htmlunit爬虫
分享给朋友:

“爬虫技术之 htmlunit 使用入门” 的相关文章

Java语言的反射机制

    由于项目的需要,在项目中要实现即插即用的方式,也就是说可以动态地加载包,不用设置CLASSPATH路径。当项目发布时,不可能要用户来设置环境变量吧!因此,就要用到JAVA的反射机制了。昨天,我是在研究JAVA的JNI技术。由于没有时间,所以过几天才写JNI。今天...

JAVA获得一个文件夹大小

在JAVA里没有现成的方法获取一个文件夹的大小,那么我们可以用递归的方法,获取文件夹的大小。    import  java.util.*;  import  java.io.*;  class  GetFileSi...

IM技术(1)

    做项目了,NetCL今天开工了,在这些日子里,我会将自己研究的内容写下来。做个记录,以下是我在网上搜到的。关于管理用户状态的解决方案,当然,我都有一个方案。不过对客户端的任务有点重吧,我方法是客户端从服务器端获到一个用户在线状态后,接着就与服务器无关了。好友离线...

过滤网页HTML标记

JAVA过滤HTML中的所有标记。非常好用!! package canca.regex; import java.util.regex.Matcher;import java.util.regex.Pattern; public class HtmlFilter {  priva...

字符,字节和编码

字符,字节和编码

转自:http://www.regexlab.com/zh/encoding.htm------------------------------------------------------------- 级别:中级 摘要:本文介绍了字符与编码的发展过程,相关概念的正确理解。举例说明了一些实际应...

Java安装后JDK/bin目录下的众多exe文件的用途

javac:Java编译器,将Java源代码换成字节代 java:Java解释器,直接从类文件执行Java应用程序代码 appletviewer(小程序浏览器):一种执行HTML文件上的Java小程序类的Java浏览器 javadoc:根据Java源代码及其说明语句生成的HTML文档 jdb...

发表评论

访客

◎欢迎参与讨论,请在这里发表您的看法和观点。