使用Selenium来抓取动态加载的页面

jopen 11年前

有些页面是通过js以及ajax动态加载的，例如：花瓣网。这时如果我们直接分析原始页面的html，是得不到有效的信息的。当然，因为无论怎样动态加载，基础信息总归是包含在初始页面中得，所以我们可以用爬虫代码来模拟js代码，js读取页面元素值，我们也读取页面元素值;js发送ajax，我们就拼凑参数、发送ajax并解析返回的json。这样总归是能做的，但是比较麻烦，有没有比较省力的方法呢？比较好的方法大概是内嵌一个浏览器了。

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。Selenium是跨语言的，有Java、C#、python等版本，并且支持多种浏览器，chrome、firefox以及IE都支持。

在Java项目中使用Selenium，需要做两件事：

  • 在项目中引入Selenium的Java模块，以Maven为例：

    <dependency>      <groupId>org.seleniumhq.selenium</groupId>      <artifactId>selenium-java</artifactId>      <version>2.33.0</version>  </dependency>

  • 下载对应的driver，以chrome为例：http://code.google.com/p/chromedriver/downloads/list

    下载后，需要将driver的位置写到Java的环境变量里，例如我在mac下将其下载到了/Users/yihua/Downloads/chromedriver，则需要在程序里添加以下代码(当然在JVM参数里写-Dxxx=xxx也是可以的)：

    System.getProperties().setProperty("webdriver.chrome.driver","/Users/yihua/Downloads/chromedriver");

Selenium的API挺简单的，核心是WebDriver，下面是动态渲染页面，并获取最终html的代码：

@Test      public void testSelenium() {          System.getProperties().setProperty("webdriver.chrome.driver", "/Users/yihua/Downloads/chromedriver");          WebDriver webDriver = new ChromeDriver();          webDriver.get("http://huaban.com/");          WebElement webElement = webDriver.findElement(By.xpath("/html"));          System.out.println(webElement.getAttribute("outerHTML"));          webDriver.close();      }

值得注意的是，每次new ChromeDriver()，Selenium都会建立一个Chrome进程，并使用一个随机端口在Java中与chrome进程进行通信来交互。由此可见有两个问题：

  • 因此如果直接关闭Java程序，Chrome进程可能是无法关闭的。这里需要显示的调用webDriver.close()来关闭进程。

  • 创建进程的开销还是比较大的，尽量对webDriver进行复用会比较好。可惜根据官方的文档，webDriver不是线程安全的，所以我们需要建立一个webDriver池来保存它们。不清楚Selenium是否有这样的接口，反正我是自己写了一个WebDriverPool来完成这个任务。