使用Selenium來抓取動態加載的頁面

原文：http://my.oschina.net/flashsword/blog/147334?p=1

一般的爬蟲都是直接使用http協議，下載指定url的html內容，並對內容進行分析和抽取。在我寫的爬蟲框架webmagic里也使用了HttpClient來完成這樣的任務。

但是有些頁面是通過js以及ajax動態加載的，例如：花瓣網。這時如果我們直接分析原始頁面的html，是得不到有效的信息的。當然，因為無論怎樣動態加載，基礎信息總歸是包含在初始頁面中得，所以我們可以用爬蟲代碼來模擬js代碼，js讀取頁面元素值，我們也讀取頁面元素值;js發送ajax，我們就拼湊參數、發送ajax並解析返回的json。這樣總歸是能做的，但是比較麻煩，有沒有比較省力的方法呢？比較好的方法大概是內嵌一個瀏覽器了。

Selenium是一個模擬瀏覽器，進行自動化測試的工具，它提供一組API可以與真實的瀏覽器內核交互。Selenium是跨語言的，有Java、C#、Python等版本，並且支持多種瀏覽器，chrome、firefox以及IE都支持。

在Java項目中使用Selenium，需要做兩件事：

• 在項目中引入Selenium的Java模塊，以Maven為例：

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

   

• 下載對應的driver，以chrome為例：http://www.cnblogs.com/printN/p/7210633.html 

  下載后，需要將driver的位置寫到Java的環境變量里，例如我在mac下將其下載到了/Users/yihua/Downloads/chromedriver，則需要在程序里添加以下代碼(當然在JVM參數里寫-Dxxx=xxx也是可以的)：

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

Selenium的API挺簡單的，核心是WebDriver，下面是動態渲染頁面，並獲取最終html的代碼：

     @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都會建立一個Chrome進程，並使用一個隨機端口在Java中與chrome進程進行通信來交互。由此可見有兩個問題：

• 因此如果直接關閉Java程序，Chrome進程可能是無法關閉的。這里需要顯示的調用webDriver.close()來關閉進程。

• 創建進程的開銷還是比較大的，盡量對webDriver進行復用會比較好。可惜根據官方的文檔，webDriver不是線程安全的，所以我們需要建立一個webDriver池來保存它們。不清楚Selenium是否有這樣的接口，反正我是自己寫了一個WebDriverPool來完成這個任務。

我已經將Selenium整合到了我的爬蟲框架webmagic中，目前還是試用版本，有興趣的可以一起學習交流。

最后說說效率問題。嵌入瀏覽器之后，不但要多花CPU去渲染頁面，還要下載頁面附加的資源。似乎單個webDriver中的靜態資源是有緩存的，初始化之后，訪問速度會加快。我試用ChromeDriver加載了100次花瓣的首頁(http://huaban.com/)，共耗時263秒，平均每個頁面2.6秒。

為了測試效果，我寫了一個花瓣抽取器，抽取花瓣網的分享圖片url，用了咱自己的webmagic框架，集成了Selenium。

    /**
 * 花瓣網抽取器。<br>
 * 使用Selenium做頁面動態渲染。<br>
 */
public class HuabanProcessor implements PageProcessor {

    private Site site;

    @Override
    public void process(Page page) {
        page.addTargetRequests(page.getHtml().links().regex("http://huaban\\.com/.*").all());
        if (page.getUrl().toString().contains("pins")) {
            page.putField("img", page.getHtml().xpath("//div[@id='pin_img']/img/@src").toString());
        } else {
            page.getResultItems().setSkip(true);
        }
    }

    @Override
    public Site getSite() {
        if (site == null) {
            site = Site.me().setDomain("huaban.com").addStartUrl("http://huaban.com/").setSleepTime(1000);
        }
        return site;
    }

    public static void main(String[] args) {
        Spider.create(new HuabanProcessor()).thread(5)
                .scheduler(new RedisScheduler("localhost"))
                .pipeline(new FilePipeline("/data/webmagic/test/"))
                .downloader(new SeleniumDownloader("/Users/yihua/Downloads/chromedriver"))
                .run();
    }
}

 

sample地址：HuabanProcessor.java