【Java】爬虫,看完还爬不下来打我电话

时间:2021-6-2 作者:qvyue

前言

防砸声明:此文仅仅能保证入门,不保证商业生产。

引用钱洋博士课程的部分内容(有删改):

网络爬虫技术,有效的获取网络数据资源的重要方式。简单的理解,比如您对百度贴吧的一个帖子内容特别感兴趣,而帖子的回复却有1000多页,这时采用逐条复制的方法便不可行。而采用网络爬虫便可以很轻松地采集到该帖子下的所有内容。
网络爬虫的作用,我总结为以下几点:

  • 舆情分析:企业或政府利用爬取的数据,采用数据挖掘的相关方法,发掘用户讨论的内容、实行事件监测、舆情引导等。
  • 企业的用户分析:企业利用网络爬虫,采集用户对其企业或商品的看法、观点以及态度,进而分析用户的需求、自身产品的优劣势、顾客抱怨等。
  • 科研工作者的必备技术:现有很多研究都以网络大数据为基础,而采集网络大数据的必备技术便是网络爬虫。利用网络爬虫技术采集的数据可用于研究产品个性化推荐、文本挖掘、用户行为模式挖掘等。

按照陈树义前辈在《聊聊整体性学习方法》一文中提到的思想,本文思路如下:

  1. 获取:目前都有哪些爬虫技术?

  2. 理解:这些爬虫技术的特色是什么?

  3. 扩展:快速上手一下cdp4j爬虫技术。

  4. 纠错:解析网页过程中踩过的坑与填坑之路。

  5. 应用:实战爬取网易新闻评论内容。

正文

一、目前都有哪些爬虫技术,及其特色都是什么?

​ 先说一句我不是专业搞爬虫的,从2019-07-06到2019-07-11累计学习5天。这篇文章是对我这5天学习的总结。以我浅显的了解,在此我列出我曾经尝试过后来又放弃了的框架,最后压轴(zhoù)再写我正在使用的框架。目前有以下流行的爬虫框架技术:

  1. Apache Nutch(高大上)

Nutch这个框架运行需要Hadoop,Hadoop需要开集群,对于想要快速入门爬虫的我是望而却步了……

一些资源地址列在这里,说不定以后会学习呢。

Apache顶级项目列表

Nutch官网

Nutch官方教程


  1. Crawler4j(感觉很强)

从它的包名上可以看出这个框架来自加州大学欧文分校。我下载下来Demo运行了一下,感觉很强!但他的官方文档介绍很简洁,Demo只是运行了一下没看懂怎么用。之所以感觉很强,是看见了好的厉害的API,当然也有一些加州大学的名气影响。

Crawler4j官方GitHub


  1. WebMagic(国产)

根据网上介绍,这个框架产自曾就职于大众点评的黄亿华大佬,但是,无论GitHub还是码云上这个仓库已经两年没有更新了,其中有一个致命的“Bug”,不能爬https的链接。作者在GitHub的issue中明确说明会在下一个版本(0.7.4)中修复此“Bug”,但是,两年过去了,依然没有发布下一个版本,截止2019年7月11号,GitHub上依然是0.7.3版本,可能作者遇到了某种不可抗拒力量,导致无法维护下去。下图来自GitHub issues

【Java】爬虫,看完还爬不下来打我电话
issues.png

WebMagic官网

GitHub地址

码云


  1. Spiderman2(国产)

这个听名字就挺霸气的,和蜘蛛侠电影齐名。我也是下载下来Demo运行了一下,但是运行啥啥报错……

而且官方库也没有提供文档。

但是,之所以列出来这个库,是因为作者在码云的issue中现场教学感动了我。

【Java】爬虫,看完还爬不下来打我电话
现场教学.png

Spiderman2码云地址


  1. WebController(国产·合肥工业大学)

当我根据这个库的包名搜索出合肥工业大学时,心中只有两个字:牛X!

维护这个库的兄弟还煞费苦心的把README.md全英文书写。不过同样是因为文档过于简陋。Demo运行了几个,不知道运行出来个啥。

之所以贴出来这个,确实是因为他在GitHub上2000+star震惊到我了,同样身为大学生的我,求学三年,毫无产出,甚是惭愧。定当以前辈励志,再加努力。

WebController官方GitHub


  1. HtmlUnit(经典·适合静态网页)

这个框架堪称经典,也是我们暑期实训老师讲解的框架。有近乎完整的文档介绍。

但是,HtmlUnit中webClient.getPage(“url”)只能get到静态网页内容。但是,当今世界,静态网页已经寥寥可数了,大都是与后台交互的动态网页,很多数据都是经过后台获取,渲染之后才能呈现在网页上。据我5天浅显的学习,发现单纯的HtmlUnit无法爬取动态网页内容。

大家可以试一下,打开一篇网易新闻,然后右键查看源代码,你会发现,你所看到的页面和源代码内容并不是一一对应的。

HtmlUnit官网


  1. Jsoup(经典·适合静态网友)

这个框架堪称经典,也是我们暑期实训老师讲解的框架。有近乎完整的文档介绍。

和HtmlUnit同样,只能get到静态内容。

不过,这个框架有个有个优点,具有很强大的解析网页的功能。

Jsoup中文教程


  1. selenium(Google多名大佬参与开发)

感觉很厉害,实际真的很厉害,看官网以及其他人的介绍,说是真正模拟浏览器。GitHub1.4w+star,你没看错,上万了。但是我硬是没配好环境。入门Demo就是没法运行成功,所以就放弃了。

​ selenium 官方GitHub


  1. cdp4j(今天的主角)

使用前提:

安装Chrome浏览器,即可。

简单介绍:

HtmlUnit的优点在于,可以方便的爬取静态网友;缺点在于,只能爬取静态网页。

selenium的优点在于,可以爬取渲染后的网页;缺点在于,需要配环境变量等等。

将二者整合,取长补短,就有了cdp4j。

之所以选用它,是因为真的方便好用,而且官方文档详细,Demo程序基本都能跑起来,类名起的见名知意。想当年学软件工程的时候,一直在纳闷,为什么要写文档啊,我程序能实现功能不就得了?现如今,看着如此详实的文档,留下了激动而又悔恨的泪水……

cdp4j有很多功能:

a. 获得渲染后的网页源码

b. 模拟浏览器点击事件

c. 下载网页上可以下载的文件

d. 对网页进行截屏或转PDF打印

e. 等等

更多详细信息可以自行去如下三个地址中探索发现:

[cdp4j官网地址]

[Github仓库]

[Demo列表]

小结

我在正文列出了9个爬虫框架。有强如Apache、Google大佬开发维护,也有诸如我国合肥工业大学学生的作品。其实各有各自的特色,弱水三千,我想全喝,但没有那个能力。所以目前只饮一瓢,就是cdp4j了。

二、快速上手一下cdp4j爬虫技术

首先,再强调一点:使用前提是安装了Chrome浏览器

当然,不能凭空使用,还需要Maven依赖


io.webfoldercdp4j3.0.12org.jvnet.winpwinp1.28

先看一下官网给出的HelloWorld

【Java】爬虫,看完还爬不下来打我电话
HelloWorld.png

看出来我贴的是一张图片了吗?所以先别着急敲,因为这个程序还需要稍作修改,如下:


import io.webfolder.cdp.Launcher;

import io.webfolder.cdp.session.Session;

import io.webfolder.cdp.session.SessionFactory;

import static java.util.Arrays.asList;

public class HelloWorld {

    public static void main(String[] args) {

        Launcher launcher = new Launcher();



        try (SessionFactory factory = launcher.launch(asList("--disable-gpu",

                "--headless"))) {

            String context = factory.createBrowserContext();



            try (Session session = factory.create(context)) {

                // 设置要爬的网站链接,必须要有http://或https://

                session.navigate("https://www.baidu.com");

                // 默认timeout是10*1000 ms,也可以像下面这样手动设置

                session.waitDocumentReady(15 * 1000);

                // 通过session得到渲染后的html内容

                String html = session.getContent();

                System.out.println(html);

            }// session创建结束



            // 处理浏览器上下文,源码:contexts.remove(browserContextId)

            // 意思应该是将后台浏览器进程关闭

            // 我曾经尝试将此举注释,只保留下面的launcher.getProcessManager().kill();

            // 依然可以关闭后台进程,但是官方给的代码有这句,那就带着吧,或许有其他作用。

            factory.disposeBrowserContext(context);

        }// factory创建结束



        // 真正的关闭后台进程

        launcher.getProcessManager().kill();

    }// main方法结束

}

上面的代码你可以手动敲一遍,当然一般都是复制粘贴的。

与截图不同的是:

  1. 这里的factory和session是在两个不同的try-with-resource语句中创建的,

  2. 创建factory时多了一句 asList(“–disable-gpu”,”–headless”) 这个作用就是不启用GPU加速,不弹出浏览器

  3. 在最后对BrowserContex以及launcher进行了关闭操作以达到回收内存的目的。

大家如果不理解这段代码的作用,可以自行运行一下两种代码,然后打开任务管理器,查看IDEA进行下的子进程。

【Java】爬虫,看完还爬不下来打我电话
任务管理器1.png

运行结束后再看一下任务管理器,如果执行了关闭操作,那么IDEA下的子进程会被关闭,否则,有两种情况:

  1. 创建factory时候,没有加上 asList(“–disable-gpu”,”–headless”) 这样会弹出一个Chrome浏览器,需要手动进行关闭

  2. 创建factory时候,加上了 asList(“–disable-gpu”,”–headless”) 这样IDEA进程的子进程,也就是上图的Google Chrome会驻留在后台,占据内存资源。

小结

​ 说白了,cdp4j就是一个模拟浏览器,区别于HtmlUnit,这里是真的用到了浏览器,如果代码写的不对,还会弹出浏览器,吓你一跳 : )

​ 目前只是简简单单的获取到了渲染后的html,真正的爬虫可不仅仅就这。

三、解析网页过程中踩过的坑与填坑之路

  1. 啥是xPath?

详细介绍可以参考W3cSchool XPath 简介 或者 Runoob XPath 简介

我在这里简单总结一下:xPath是用来遍历DOM树的

你要是敢问我啥是DOM树,我可就举起来拖鞋抽你了 : ) 哈哈,开玩笑,同样也是看一下W3CSchool HTML DOM 简介 或者 Runoob HTML DOM 简介

  1. 如何快速获取一个节点的xPath?

我们暑期实训老师是按下F12,然后找到对应节点,再从上到下一个一个的数出来的xPath。

第一次见这样操作的时候,由于新鲜感过于强烈,所以也就没有感到有多麻烦。不过,数的次数多了,总觉得这样不行。应该有更快更好的方法获取xPath。

还记得SpiderMan2吗?自风老师在码云的issue里面亲身教学:Chrome获取XPath的方法

整了半天,原来人家Chrome浏览器早就替我们实现好了,就知道我们要用到xPath干坏事。

  1. xPath具体怎么用?

自风老师教的copy xPath直接用的话,只能是一个节点。

实际上,有时候我们需要一次性拿到很多节点,比如说xPath路径都是div/p,这时候我们可以写成“//div/p”,又有时候,我们需要拿到指定class的div下的p,那么语法就是“//div[@class=’classname’]/p”

更详细的用法可以参考 Runoob XPath 语法

  1. 怎样快速解析一个html,拿到想要的内容?

虽说cdp4j自带xPath解析功能,但要说解析html,还要属Jsoup最专业:Jsoup中文教程

Jsoup支持xPath和CSS选择器,学前端的同学看到CSS选择器应该会很激动吧,我头一次看到内心是:竟然还有这种操作!

小结

​ xPath、Jsoup这些新名词,很多人(比如我)大学上了3年,还是头一次听说,所以需要一些时间去接近,熟悉最终才能掌握。

四、实战爬取网易新闻评论内容

先发一下,详情待更……

【项目源码】 进去找 News163CommentCrawlerDemo 或者 News163CommentCrawlerDemo.zip

注意:Maven需要指定Java1.8 否则try-with-resource中不能使用外部数据。

声明:本文内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:qvyue@qq.com 进行举报,并提供相关证据,工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。