HtmlUnit学习总结

HtmlUnit学习总结

转载 2016年09月13日 15:58:25

• 标签：
• htmlunit /
• 爬虫

• 7304

本文摘抄其他博客或者技术论坛，自己搜集整理如下：

HtmlUnit学习总结

摘要

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。(百度百科)

环境搭建

MAVEN依赖

1. <dependency>
2. <groupId>net.sourceforge.htmlunit</groupId>
3. <artifactId>htmlunit</artifactId>
4. <version>2.15</version>
5. </dependency>

1. 基本使用

HtmlUnit简介:HtmlUnit说白了就是一个浏览器，这个浏览器是用Java写的无界面的浏览器，正因为其没有界面,因此执行的速度还是可以滴，HtmlUnit提供了一系列的API,这些API可以干的功能比较多，如表单的填充，表单的提交，模仿点击链接，由于内置了Rhinojs引擎，因此可以执行Javascript。

网络爬虫第一个要面临的问题，就是如何抓取网页，抓取其实很容易，没你想的那么复杂，一个开源HtmlUnit包，4行代码就OK啦，例子如下：

1. final WebClient webClient=new WebClient();//创建对象
2. final HtmlPage page=webClient.getPage("https://www.baidu.com");//获取页面
3. System.out.println(page.asText());//asText() 顾名思义 获取所有文本
4. webClient.closeAllWindows();//关闭窗口

在程序中写上上面的4行代码，运行，就可以得到页面的全部内容，上面代码在运行的过程中会出现很多警告，出现这些警告的主要原因是由于以下两点: 
1.HtmlUnit对Javascript的支持不是很好 
2.HtmlUnit对CSS的支持不是很好 
明白了上面的两点后，将代码重新改写一下，该禁用的就禁用，同时禁用一些不必要的功能，也有利于提高程序的运行效率,再者说网络爬虫也不需要CSS的支持

1. final WebClient webClient=new WebClient();
2. webClient.getOptions().setCssEnabled(false);//关闭css
3. webClient.getOptions().setJavaScriptEnabled(false);//关闭js
4. final HtmlPage page=webClient.getPage("https://www.baidu.com");
5. System.out.println(page.asText());
6. webClient.closeAllWindows();

重要API的使用 在介绍API的使用之前要先明白的一个问题是，WebClient,WebWindow,Page三者之间的关系，所有的页面最终都是在一个WebWindow对象里面，WebClient在创建时会自动的创建一个WebWindow对象，当调用getPage时会将新页面加载到WebWindow里，你可以理解成WebClient就是IE内核，WebWindow就是呈现页面的浏览器窗口，三者之间的关系图如下图所示：

1.1 模拟特定浏览器

可以模拟的浏览器有Chrome/FireFox/IE

1. //模拟chorme浏览器，其他浏览器请修改BrowserVersion.xxx常量
2. 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

1. final WebClient webClient = newWebClient(BrowserVersion.CHROME,"http://127.0.0.1",8087);
2. final DefaultCredentialsProvider credentialsProvider = (DefaultCredentialsProvider)webClient.getCredentialsProvider();
3. credentialsProvider.addCredentials("username","password");

1.3 模拟表单的提交

1. //获取表单
2. final HtmlForm form = page.getFormByName("form");
3. //获取提交按扭
4. final HtmlSubmitInput button = form.getInputByName("submit");
5. //一会得输入的
6. final HtmlTextInput textField = form.getInputByName("userid");
7. textField.setValueAttribute("test");
8. //点击提交表单
9. 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：

1. List<HtmlAnchor> achList=page.getAnchors();
2. for(HtmlAnchor ach:achList){
3. System.out.println(ach.getHrefAttribute());
4. }

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

1. HtmlForm form = page.getFormByName("form");//如果有form的话
2. //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
3. //HtmlForm form = page.getForms().get(0);
5. HtmlFileInput fileInput = form.getInputByName("fileInput");
6. //通过设置valueAttribute来确定上传哪个文件
7. fileInput.setValueAttribute("D:\\111.jpg");
9. //最后按下提交按钮提交
10. HtmlElement submitBtn = page.getElementByName("submit");
12. submitBtn.click();

这样就完成了一次上传文件的过程。

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

1. HtmlPage page=webClient.getPage("http://www.yanyulin.info");
2. //从[烟雨林博客]上获取标签hed的内容
3. HtmlDivision div=(HtmlDivision)page.getElementById("hed");

1.6.2 通过XPath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

1. //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
2. //放入list中，然后获取第一个div
3. final HtmlDivision div = (HtmlDivision) page.getByXPath("//div").get(0);
4. 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

示例: 贴吧自动抢二楼 教程

通过CSS选择器(Selector)获取元素，代码片段如下： 
（查看完整代码点击：完整代码）

2. // 获取当前页的所有class="i"元素。返回 DOM节点列表
3. DomNodeList<DomNode> iList = page.querySelectorAll(".i");
4. // 遍历
5. for(DomNode i: iList) {
6. // 选择 p 元素
7. DomNode p = i.querySelector("p");
8. // asText() 返回 元素文本， contains是 String的方法，查找 "回0 " 字符串
9. if(p.asText().contains("回0 ")) {
10. // 这里就是找到了 回帖为0的帖子
11. // 我们用 父元素 div.i 来继续获取 子元素 a 标签。
12. HtmlAnchor a = (HtmlAnchor)i.querySelector("a");
13. // 获取 a 标签的属性 href ，就是帖子详情的地址啦！！
14. String href = a.getAttribute("href");
15. System.out.println(href);
16. }

2.WebClient常用使用流程及参数设置

1. //1.创建对象
2. WebClient webClient=new WebClient(BrowserVersion.CHROME);
3. //2.设置参数
4. //启动js
5. webClient.getOptions().setJavaScriptEnabled(true);
6. //关闭css渲染
7. webClient.getOptions().setCssEnabled(false);
8. //启动重定向
9. webClient.getOptions().setRedirectEnabled(true);
10. //启动cookie管理
11. webClient.setCookieManager(new CookieManager());
12. //启动ajax代理
13. webClient.setAjaxController(new NicelyResynchronizingAjaxController());
14. //js运行时错误，是否抛出异常
15. webClient.getOptions().setThrowExceptionOnScriptError(false);
16. //3.获取页面
17. HtmlPage page=webClient.getPage(url);
18. //等待js渲染执行 waitime等待时间(ms)
19. webClient.waitForBackgroundJavaScript(waitime);
20. //4.解析页面
21. ......