使用HtmlUnit + Jsoup 解析 动态网页

版权声明：随心所欲、无欲无求! https://blog.csdn.net/qq_32662595/article/details/88189584

在使用Jsoup过程中会遇到无法解析通过javascript动态生成的html网页,
解决办法是使用HtmlUnit+Jsoup来解析动态dynamic网页.

Jsoup专注的是解析html, 利用类似JQuery的API进行快速解析html, 并没有将自身的定位于模拟浏览器上, 并不是现阶段某些人说的Jsoup对于模拟浏览器不足等等, 大家在给同事讲解或者写博客的时候注明。而对于模拟浏览器, 进行无窗口化的访问, 有很多优秀的开源框架, 比如HttpClient, 也比如今天介绍的HtmlUnit, 亦或者Selenium.

“ 现如今为止Jsoup-1.10.4是无法动态加载js内容的, 官方作者的回复是：“Javascript is not supported. Jsoup parses HTML.”。”
HtmlUnit和Selenium本身都是做测试的开源框架, 本身Selenium底层也使用了HtmlUnit, 所以在本文直接介绍使用HtmlUnit进行处理动态js加载的Html问题.

〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜〜

如果是使用Maven构建项目, 请参照如下的配置, 如果是直接导入jar包, 直接到官网下载, 在群文件中可以下载jar包和API帮助文档

<!-- https://mvnrepository.com/artifact/net.sourceforge.htmlunit/htmlunit -->
<dependency>
    <groupId>net.sourceforge.htmlunit</groupId>
    <artifactId>htmlunit</artifactId>
    <version>2.29</version>
</dependency>

示例代码：

public static void main(String[] args) throws FailingHttpStatusCodeException, MalformedURLException, IOException {

    // 屏蔽HtmlUnit等系统 log
	    LogFactory.getFactory().setAttribute("org.apache.commons.logging.Log","org.apache.commons.logging.impl.NoOpLog");
	    java.util.logging.Logger.getLogger("com.gargoylesoftware").setLevel(Level.OFF);
	    java.util.logging.Logger.getLogger("org.apache.http.client").setLevel(Level.OFF);
	 
	    String url = "https://bluetata.com/";
	    System.out.println("Loading page now-----------------------------------------------: "+url);
	    
	    // HtmlUnit 模拟浏览器
	    WebClient webClient = new WebClient(BrowserVersion.CHROME);
	    webClient.getOptions().setJavaScriptEnabled(true);              // 启用JS解释器，默认为true
	    webClient.getOptions().setCssEnabled(false);                    // 禁用css支持
	    webClient.getOptions().setThrowExceptionOnScriptError(false);   // js运行错误时，是否抛出异常
	    webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);
	    webClient.getOptions().setTimeout(10 * 1000);                   // 设置连接超时时间
	    HtmlPage page = webClient.getPage(url);
	    webClient.waitForBackgroundJavaScript(30 * 1000);               // 等待js后台执行30秒
	 
	    String pageAsXml = page.asXml();
	    
	    // Jsoup解析处理
	    Document doc = Jsoup.parse(pageAsXml, "https://bluetata.com/");  
	    Elements pngs = doc.select("img[src$=.png]");                   // 获取所有图片元素集
	    // 此处省略其他操作
	    System.out.println(doc.toString());
    }