WebMagic動態頁面爬取

import org.openqa.selenium.chrome.ChromeDriver;
import org.openqa.selenium.chrome.ChromeOptions;
import org.openqa.selenium.remote.RemoteWebDriver;
import us.codecraft.webmagic.downloader.Downloader;
import us.codecraft.webmagic.*;
import us.codecraft.webmagic.selector.PlainText;
import org.openqa.selenium.Cookie;
import java.util.Map;

public class MyDownloader implements Downloader {
    //聲明驅動
    private RemoteWebDriver driver;

    public MyDownloader() {
        //第一個參數是使用哪種瀏覽器驅動，第二個參數是瀏覽器驅動的地址  --whitelisted-ips=""
//        System.setProperty("webdriver.chrome.driver","C:\\Users\\Administrator\\AppData\\Local\\Google\\Chrome\\Application\\chromedriver.exe");
        System.setProperty("webdriver.chrome.driver","E:\\chromedriver-win64\\chromedriver-win64\\chromedriver.exe");

        //創建瀏覽器參數對象
        ChromeOptions chromeOptions = new ChromeOptions();
        // 設置為 無界面瀏覽器 模式,若是不想看到瀏覽器打開，就可以配置此項

        //解決 403 出錯問題
        chromeOptions.addArguments("--remote-allow-origins=*");
        // chromeOptions.addArguments("--headless");
        chromeOptions.addArguments("--window-size=1440,1080");// 設置瀏覽器窗口打開大小
        this.driver = new ChromeDriver(chromeOptions); //創建驅動
    }

    /**
     * 由于selenium的默認域名為data;因此第一次必須跳轉到登錄頁，才能加入對應域名
     * @param request Request
     */
    @Override
    public Page download(Request request, Task task) {
        try {
            driver.get(request.getUrl());//第一次打開url，跳轉到登錄頁
            Thread.sleep(3000);//等待打開瀏覽器
            //獲取從process返回的site攜帶的cookies，填充后第二次打開url
            Site site = task.getSite();
            if (site.getCookies() != null) {
                for (Map.Entry<String, String> cookieEntry : site.getCookies()
                        .entrySet()) {
                    Cookie cookie = new Cookie(cookieEntry.getKey(),
                            cookieEntry.getValue());
                    driver.manage().addCookie(cookie);
                }
                //添加對應domain的cookie后，第二次打開url
                driver.get(request.getUrl());
            }
            Thread.sleep(2000);
            driver.executeScript("window.scrollTo(0, document.body.scrollHeight - 1000)");//需要滾動到頁面的底部,獲取完整的數據
            Thread.sleep(2000);//等待滾動完成
            //獲取頁面，打包成Page對象，傳給PageProcessor 實現類
            Page page = createPage(request.getUrl(), driver.getPageSource());
            //driver.close();//看需要是否關閉瀏覽器
            return page;
        } catch (InterruptedException e) {
            e.printStackTrace();
        }
        return null;
    }

    @Override
    public void setThread(int threadNum) {

    }

    //構建page返回對象
    private Page createPage(String url, String content) {
        Page page = new Page();
        page.setRawText(content);
        page.setUrl(new PlainText(url));
        page.setRequest(new Request(url));
        page.setDownloadSuccess(true);
        return page;
    }
}
三：重寫pipeLine

import us.codecraft.webmagic.ResultItems;
import us.codecraft.webmagic.Task;
import us.codecraft.webmagic.pipeline.Pipeline;

public class MyPipeline implements Pipeline {
    @Override
    public void process(ResultItems resultItems, Task task) {
        System.out.println("執行到這里了");
    }

}

四：

import us.codecraft.webmagic.*;
import us.codecraft.webmagic.pipeline.JsonFilePipeline;
import us.codecraft.webmagic.processor.PageProcessor;
import org.openqa.selenium.Cookie;
import java.util.Set;

public class MyPageProcessor implements PageProcessor {
    private Set<Cookie> cookies = null;//用來存儲cookie信息

    /**
     * 解析返回的數據page
     * @param page Downloader實現類下載的結果。
     */
    @Override
    public void process(Page page) {
        //向Pipeline對象中設置輸出結果，把解析的結果放到ResultItems中
//        page.putField("html", page.getHtml().all());
        page.putField("html",page.getHtml().xpath("http://li[@class='hotsearch-item']/a/span[@class='title-content-title']/text()").all());
    }

    //Site對象可以對爬蟲進行一些配置，包括編碼、抓取間隔、超時時間、重試次數等。
    private final Site site = new Site()
            .addHeader("user-agent","Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.0.0 Safari/537.36")//添加header信息，當對方網站識別爬蟲的時候，需要填寫
            .setDomain("example.com")//輸入你要爬的網頁域名，不帶http和https前綴
            .addCookie("token","auth")//通過F12看后臺自己cookie的token值，填進去
            .setTimeOut(2000);//設置超時時間

    @Override
    public Site getSite() {
        if(cookies!=null && !cookies.isEmpty()){
            //將獲取到的cookie信息添加到webmagic中
            for (Cookie cookie : cookies) {
                site.addCookie(cookie.getName(),cookie.getValue());
            }
        }
        return site;
    }
    //執行業務邏輯
    public static void main(String[] args) {
        Spider.create(new MyPageProcessor())
                // 初始訪問url地址
                .addUrl("https://www.baidu.com")
                .setDownloader(new MyDownloader())//可選擇使用自定義的
              //  .addPipeline(new JsonFilePipeline("D:\\webmagic\\"))
              //  .addPipeline(new MyPipeline())  //自定義的Pipeline，不設置的話，信息自動打印到console界面上
                .run();// 執行爬蟲
    }
}