静态页面采集代码遇到的问题-静态页面采集代码遇到的问题及解决
Time:2024-09-17 22:00:18
关于静态页面采集代码遇到的问题的问题，我们总结了以下几点，给你解答：
静态页面采集代码遇到的问题
这是 Java 爬虫系列博文的第三篇，在上一篇 Java 爬虫遇到需要登录的网站，该怎么办？ 中，我们简单的讲解了爬虫时遇到登录问题的解决办法，在这篇文章中我们一起来聊一聊爬虫时遇到数据异步加载的问题，这也是爬虫中常见的问题。
现在很多都是前后端分离项目，这会使得数据异步加载问题更加突出，所以你在爬虫时遇到这类问题不必惊讶，不必慌张。对于这类问题的解决办法总体来说有以下两种：
1、内置一个浏览器内核内置浏览器就是在抓取的程序中，启动一个浏览器内核，使我们获取到 js 渲染后的页面，这样我们就跟采集静态页面一样了。这种工具常用的有以下三种：
SeleniumHtmlUnitPhantomJs这些工具都能帮助我们解决数据异步加载的问题，但是他们都存在缺陷，那就是效率不高而且不稳定。
2、反向解析法什么是反向解析法呢？我们 js 渲染页面的数据是通过 Ajax 的方式从后端获取的，我们只需要找到对应的 Ajax 请求连接就 OK，这样我们就获取到了我们需要的数据，反向解析法的好处就是这种方式获取的数据都是 json 格式的数据，解析起来也比较方便，另一个好处就是相对页面来说，接口的变化概率更小。同样它有两个不足之处，一个是在 Ajax 时你需要有耐心有技巧，因为你需要在一大推请求中找到你想要的，另一个不足的地方就是对 JavaScript 渲染的页面束手无策。
上面就是异步数据加载的两种解决办法，为了加深大家的理解和在项目中如何使用，我以采集网易要闻为例，网易新闻地址：https://news.163.com/ 。利用上诉的两种方式来获取网易要闻的新闻列表。
内置浏览器 Selenium 方式
Selenium 是一个模拟浏览器，进行自动化测试的工具，它提供一组 API 可以与真实的浏览器内核交互。在自动化测试上使用的比较多，爬虫时解决异步加载也经常使用它，我们要在项目中使用 Selenium ，需要做两件事：
1、引入 Selenium 的依赖包，在 pom.xml 中添加2、下载对应的 driver，例如我下载的 chromedriver，下载地址为：https://npm.taobao.org/mirrors/chromedriver/，下载后，需要将 driver 的位置写到 Java 的环境变量里，例如我直接放在项目下，所以我的代码为：完成上面两步之后，我们就可以来编写使用 Selenium 采集网易要闻啦。具体代码如下：
运行该方法，得到结果如下：
我们使用 Selenium 已经正确的提取到了网易要闻的列表新闻。
反向解析法反向解析法就是获取到 Ajax 异步获取数据的链接，直接获取到新闻数据。如果没有技巧的话，查找 Ajax 的过程将非常痛苦，因为一个页面加载的链接太多了，看看网易要闻的 network：
有几百条的请求，该如何查找到是哪条请求获取的要闻数据呢？你不嫌麻烦的话，可以一个一个的去点，肯定能够查找到的，另一种快捷的办法是利用 network 的搜索功能，如果你不知道搜索按钮，我在上图已经圈出来啦，我们在要闻中随便复制一个新闻标题，然后检索一下，就可以获取到结果，如下图所示：
这样我们就快速的获取到了要闻数据的请求链接，链接为https://temp.163.com/special/00804KVA/cm_yaowen.js?callback=data_callback访问该链接，查看该链接返回的数据，如下图所示：
从数据我们可以看出，我们需要的数据都在这里啦，所以我们只需要解析这段数据接可以啦，要从这段数据中解析出新闻标题和新闻链接，有两种方式，一种是正则表达式，另一种是将该数据转成 json 或者 list。这里我选择第二种方式，利用 fastjson 将返回的数据转换成 JSONArray 。所以我们是要引入 fastjson ，在 pom.xml 中引入 fastjson 依赖：
除了引入 fastjson 依赖外，我们在转换前还需要对数据进行简单的处理，因为现在的数据并不符合 list 的格式，我们需要去掉 data_callback( 和最后面的 )。具体反向解析获取网易要闻的代码如下：
编写 main 方法，执行上面的方法，需要注意的地方是：这时候传入的链接为
https://temp.163.com/special/00804KVA/cm_yaowen.js?callback=data_callback而不是
https://news.163.com/得到如下结果:
两种方法都成功的获取到了网易要闻异步加载的新闻列表，对于这两种方法的选取，我个人的倾向是使用反向解析法，因为它的性能和稳定是都要比内置浏览器内核靠谱，但是对于一些使用 JavaScript 片段渲染的页面，内置浏览器又更加靠谱。所以根据具体情况选择吧。
希望这篇文章对你有所帮助，下一篇是关于 爬虫IP 被封的问题。如果你对爬虫感兴趣，不妨关注一波，相互学习，相互进步
源代码：
https://github.com/BinaryBall/java-base/blob/master/crawler/src/main/java/com/jamal/crawler/CrawlerNews.java作者：平头哥的技术博文来源：掘金商业用途请与原作者联系，本文只做展示分享，不妥侵删！静态页面采集代码遇到的问题及解决
采集设置有问题，采集的时候采集到了多余的HTML代码，由于采集了不完整的HTML代码，所以造成页面错乱
采集设置的时候多演示几遍，看采集到的代码是完全正确
之所有手工添加不会出错，是因为编辑器会自动修正HTML
静态页面采集代码遇到的问题有哪些
给你个思路吧!批量更新，大体就是生成静态页面的意思吧!具体和路皇要看你怎么实现的!要实现不停的滚动，我的思路是越季少钱车交展伤生成一个页面，然后用AJAX调用程序来检测是否生成成老功，成功就返回该页面的信息，比如标题，或者文件名帮主求岩零据得轮续受持称之类!