WebMagic抓取 table分頁資料， table分頁時，URL不變

毛会懂發表於2024-11-07
Web

動態頁面爬蟲前的準備：https://www.cnblogs.com/maohuidong/p/18517953

一：java新增maven依賴：
<dependency>
    <groupId>us.codecraft</groupId>
    <artifactId>webmagic-core</artifactId>
    <version>0.7.4</version>
</dependency>
<dependency>
    <groupId>us.codecraft</groupId>
    <artifactId>webmagic-extension</artifactId>
    <version>0.7.4</version>
</dependency>
<!--selenium依賴-->
<dependency>
    <groupId>org.seleniumhq.selenium</groupId>
    <artifactId>selenium-java</artifactId>
    <version>3.141.59</version>
</dependency>

二：重寫PageProcessor：

import java.util.List;
import java.util.Set;

import org.openqa.selenium.By;
import org.openqa.selenium.Cookie;
import org.openqa.selenium.WebElement;
import org.openqa.selenium.chrome.ChromeDriver;

import org.openqa.selenium.chrome.ChromeOptions;
import org.openqa.selenium.remote.RemoteWebDriver;
import us.codecraft.webmagic.Page;
import us.codecraft.webmagic.Site;
import us.codecraft.webmagic.Spider;
import us.codecraft.webmagic.pipeline.JsonFilePipeline;
import us.codecraft.webmagic.processor.PageProcessor;

/**
 * 準備抓取這個頁面：http://yapi.rongyi.so/project/317/interface/api
 * 但是這個頁面需要登入後才能訪問，登入頁面為：http://yapi.rongyi.so/login
 * 登入後抓取的頁面有 分頁， 分頁的特點是地址不變，所以從第二頁開始，無法透過webMagic抓取第二頁的內容
 * 只能透過Selenium來點選下一頁的操作，然後再解析頁面。
 */
public class YapiPageProcessor implements  PageProcessor {

    private Site site = Site.me().setRetryTimes(3).setSleepTime(0).setTimeOut(3000);

    //用來儲存cookie資訊
    private Set<Cookie> cookies;

    private RemoteWebDriver driver;

    public YapiPageProcessor(){
        System.setProperty("webdriver.chrome.driver","E:\\chromedriver-win64\\chromedriver-win64\\chromedriver.exe");

        //建立瀏覽器引數物件
        ChromeOptions chromeOptions = new ChromeOptions();
        // 設定為 無介面瀏覽器 模式,若是不想看到瀏覽器開啟，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");// 設定瀏覽器視窗開啟大小

        RemoteWebDriver driver = new ChromeDriver(chromeOptions);
        this.driver = driver;
    }


    @Override
    public void process(Page page) {
        // 取所有的key 和對應的所有的value
        List<String> keys = page.getHtml().xpath("//tbody[@class='ant-table-tbody']/tr/td/a/span/text()").all();
        List<String> values = page.getHtml().xpath("//tbody[@class='ant-table-tbody']/tr/td/div/span[3]/text()").all();
        //獲取使用者的id
        for (int i = 0;i < keys.size();i++) {
            page.putField(keys.get(i),values.get(i));
        }

        while (driver.findElements(By.xpath("//li[@title='下一頁' and @aria-disabled='false']")).size() > 0){
            // 點選下一頁
            driver.findElement(By.xpath("//li[@title='下一頁' and @aria-disabled='false']")).click();

            // 等待2S
            try {
                Thread.sleep(2000);
            } catch (InterruptedException e) {
                throw new RuntimeException(e);
            }

            List<WebElement> elements = driver.findElements(By.xpath("//tbody[@class='ant-table-tbody']/tr"));
            for (int ii = 1;ii <= elements.size();ii++) {
                WebElement key = driver.findElement(By.xpath("//tbody[@class='ant-table-tbody']/tr[" + ii + "]/td/a/span"));
                WebElement value = driver.findElement(By.xpath("//tbody[@class='ant-table-tbody']/tr[" + ii + "]/td/div/span[3]"));
                page.putField(key.getText(),value.getText());
            }
        }
    }

    //使用 selenium 來模擬使用者的登入獲取cookie資訊
    public void login(String loginUrl,String userName,String password)
    {
        driver.get(loginUrl);

        driver.findElement(By.id("email")).clear();

        //在******中填你的使用者名稱
        driver.findElement(By.id("email")).sendKeys(userName);

        driver.findElement(By.id("password")).clear();
        //在*******填你密碼
        driver.findElement(By.id("password")).sendKeys(password);

        //模擬點選登入按鈕
        driver.findElement(By.xpath("//button[@type='submit']")).click();

        //獲取cookie資訊
        cookies = driver.manage().getCookies();
       // driver.close();
    }


    @Override
    public Site getSite() {

        //將獲取到的cookie資訊新增到webmagic中
        for (Cookie cookie : cookies) {
            site.addCookie(cookie.getName().toString(),cookie.getValue().toString());
        }

        return site.addHeader("User-Agent", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1");
    }

    public static void main(String[] args){

        YapiPageProcessor pageProcessor = new YapiPageProcessor();

        //呼叫selenium，進行模擬登入
        pageProcessor.login("http://yapi.rongyi.so/login","xxx","xxx");
        Spider.create(pageProcessor)
                .addUrl("http://yapi.rongyi.so/project/317/interface/api")
                .setDownloader(new MyDownloader(pageProcessor.driver))//可選擇使用自定義的
                // 輸出到D盤webmagic資料夾
                .addPipeline(new JsonFilePipeline("D:\\webmagic1\\"))
                //開啟1個執行緒抓取
                .thread(1)
                //啟動爬蟲
                .run();
        System.out.println("爬取結束");
    }
}

三：重寫Downloader：

import org.openqa.selenium.WebDriver;
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 {
    //宣告驅動
    private RemoteWebDriver driver;

    public MyDownloader(RemoteWebDriver driver) {
        this.driver = driver;
    }

    /**
     * 由於selenium的預設域名為data;因此第一次必須跳轉到登入頁，才能加入對應域名
     * @param request Request
     */
    @Override
    public Page download(Request request, Task task) {
        try {
            driver.get(request.getUrl());//第一次開啟url，跳轉到登入頁
            Thread.sleep(3000);//等待開啟瀏覽器
            //獲取從process返回的site攜帶的cookies，填充後第二次開啟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);
                }
                //新增對應domain的cookie後，第二次開啟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,獲取完整的資料
            Thread.sleep(2000);//等待滾動完成
            //獲取頁面，打包成Page物件，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返回物件
    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;
    }

相關文章