用java抓一个angularjs网站

我需要抓一个Angular内容“插入”的网站.它需要用java完成.

我尝试过Selenium Webdriver(因为我之前使用过Selenium来抓取不那么动态的网页).但我不知道如何处理Angular部分.除了页面头部的脚本标签外,网站中只有一个地方有Angular属性：

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

我在这里找到了this article,但说实话……我无法弄明白.似乎作者正在选择(让我们称之为)’ng-attributes’

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

但没有解释为什么他做他做的事情.在他的演示页面的源代码中,我找不到任何被称为“UserForm”的东西……所以这仍然是一个谜.

然后我尝试为Selenium设置一个时间间隔,希望页面会被呈现,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this article,它提供了一些有趣的例外,例如无法设置属性[HTMLStyleElement] .media,它只有一个getter to all.这基本上意味着javascript可能有问题.然而,HtmlUnit似乎确实意识到页面上有javascript,这比我以前更多.我确实(当我对异常进行搜索时)确认HtmlUnit中有一个功能,它应该确保你没有看到javascript异常.我把它关掉了,但无论如何我得到了例外.这是代码：

webClient.getoptions().setThrowExceptionOnScriptError(false);

我会发布更多的代码,但基本上没有什么可以消除动态内容,我很确定它不是代码错误,它只是不是正确的解决方案.

我能得到一些帮助吗？

解决方法:

最后,我遵循了Madusudanan的优秀建议,并研究了PhantomJS / Selenium的组合.实际上有一个解决方案！它叫做PhantomJSDriver.

你可以找到maven依赖here.这是更多关于ghost driver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>

它还运行Selenium 2.45版本,这是迄今为止的最新版本.我提到这一点,因为我读到的一些文章中有人说Phantom驱动程序与Selenium的每个版本都不兼容,但我想他们在此期间解决了这个问题.

如果您已经在使用Selenium / Phantomdriver组合,并且您在某个站点上收到“严格的javascript错误”,请更新您的selenium版本.这将解决它.

以下是一些示例代码：

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();
}

用java抓一个angularjs网站

相关推荐