用 java 抓取 angularjs 网站

Question

我需要抓取一个由 Angular '插入'内容的网站。 而且需要用java来完成。

我已经尝试过 Selenium Webdriver（因为我之前使用 Selenium 来抓取较少动态的网页）。 但我不知道如何处理 Angular 部分。 除了页面 head 部分的 script 标签外，站点中只有一个地方有 Angular 属性：

<div data-ng-module="vindeenjob"><div data-ng-view=""></div>

我在这里找到了这篇文章，但老实说......我无法弄清楚。 似乎作者正在选择（让我们称之为）这样的“ng-attributes”

WebElement theForm = wd.findElement(By.cssSelector("div[ng-controller='UserForm']"));

但未能解释他为什么这样做。 在他的演示页面的源代码中，我找不到任何名为“UserForm”的东西......所以为什么仍然是个谜。

然后我尝试为 Selenium 设置一个时间间隔，希望页面能够被呈现，并且我最终可以在等待期后获取结果，如下所示：

    WebDriver webdriver = new HtmlUnitDriver();
    webdriver.manage().timeouts().implicitlyWait(10, TimeUnit.SECONDS);
    webdriver.get("https://www.myurltoscrape.com");

但无济于事。 然后还有这篇文章，它给出了一些有趣的例外，例如无法设置属性 [HTMLStyleElement].media ，它只有一个 getter 。 这基本上意味着javascript可能有问题。 但是，HtmlUnit 似乎确实意识到页面上有 javascript，这比我之前得到的要多。 我确实意识到（因为我对异常进行了搜索）HtmlUnit 中有一个功能可以确保您看不到 javascript 异常。 我关闭了它，但无论如何我都会遇到例外情况。 这是代码：

webClient.getOptions().setThrowExceptionOnScriptError(false); 

我会发布更多代码，但基本上没有什么会刮掉动态内容，我很确定这不是代码错误，它只是还不是正确的解决方案。

我可以得到一些帮助吗？

Answer 1

最后，我遵循了 Madusudanan 的出色建议，并研究了 PhantomJS / Selenium 组合。 实际上有一个解决方案！ 它被称为 PhantomJSDriver。

您可以在此处找到 maven 依赖项。 这里有更多关于幽灵驱动程序的信息。

Maven 中的设置 - 我添加了以下内容：

<dependency>
        <groupId>net.sourceforge.htmlunit</groupId>
        <artifactId>htmlunit</artifactId>
        <version>2.41.0</version>
    </dependency>
    <dependency>
        <groupId>com.github.detro</groupId>
        <artifactId>phantomjsdriver</artifactId>
        <version>1.2.0</version>
    </dependency>

它还与 Selenium 2.45 版一起运行，这是迄今为止的最新版本。 我之所以提到这一点，是因为我读过一些文章，其中有人说 Phantom 驱动程序与 Selenium 的每个版本都不兼容，但我猜他们同时解决了这个问题。

如果您已经在使用 Selenium/Phantomdriver 组合并且在某个站点上遇到“严格的 javascript 错误”，请更新您的 selenium 版本。 那将修复它。

这是一些示例代码：

public void testPhantomDriver() throws Exception {
    DesiredCapabilities options = new DesiredCapabilities();
    // the website i am scraping uses ssl, but I dont know what version
    options.setCapability(PhantomJSDriverService.PHANTOMJS_CLI_ARGS, new String[] {
          "--ssl-protocol=any"
      });

    PhantomJSDriver driver = new PhantomJSDriver(options);

    driver.get("https://www.mywebsite");

    List<WebElement> elements = driver.findElementsByClassName("media-title");

    for(WebElement element : elements ){
        System.out.println(element.getText());
    }

    driver.quit();
}

Answer 2

这是使用 Java 使用 JSoup 和 WebDriver 废弃任何网页的完美解决方案

ChromeOptions chromeOptions = new ChromeOptions();
chromeOptions.addArguments("--headless");
WebDriver driver = new romeDriver(chromeOptions);
driver.get(bean.getDomainQuery().trim());
Document doc = Jsoup.parse(driver.getPageSource());

然后使用 JSoup 选择器读取任何标签信息