java页面内容加载了javascript,而jsoup看不到它

qcbq4gxm  于 2021-06-27  发布在  Java
关注(0)|答案(9)|浏览(333)

页面上的一个块由javascript填充内容,在用jsoup加载页面之后,没有任何信息。有没有一种方法可以在解析页面时也获得javascript生成的内容 Jsoup ?
无法在此处粘贴页面代码,因为它太长:http://pastebin.com/qw4rfqgw
以下是我需要的内容: <div id='tags_list'></div> 我需要用java来获取这些信息。最好使用jsoup。元素在javascript的帮助下是字段:

<div id="tags_list">
    <a href="/tagsc0t20099.html" style="font-size:14;">разведчик</a>
    <a href="/tagsc0t1879.html" style="font-size:14;">Sr</a>
    <a href="/tagsc0t3140.html" style="font-size:14;">стратегический</a>
</div>

java代码:

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import java.io.IOException;

public class Test
{
    public static void main( String[] args )
    {
        try
        {
            Document Doc = Jsoup.connect( "http://www.bestreferat.ru/referat-32558.html" ).get();
            Elements Tags = Doc.select( "#tags_list a" );

            for ( Element Tag : Tags )
            {
                System.out.println( Tag.text() );
            }
        }
        catch ( IOException e )
        {
            e.printStackTrace();
        }
    }
}
7lrncoxx

7lrncoxx1#

尝试:

Document Doc = Jsoup.connect(url)
    .header("Accept-Encoding", "gzip, deflate")
    .userAgent("Mozilla/5.0 (Windows NT 6.1; WOW64; rv:23.0) Gecko/20100101 Firefox/23.0")
    .maxBodySize(0)
    .timeout(600000)
    .get();
rqqzpn5f

rqqzpn5f2#

在指定用户代理之后,我的问题就解决了。
https://github.com/jhy/jsoup/issues/287#issuecomment-12769155

knpiaxh1

knpiaxh13#

我知道有一种方法!也许这更像是一种“变通方法”,而不是一种“方法。。。下面的代码检查元属性“刷新”和javascript重定向。。。如果其中任何一个存在 RedirectedUrl 变量已设置。所以你知道你的目标。。。然后您可以检索目标页并继续。。。

String RedirectedUrl=null;
    Elements meta = page.select("html head meta");
    if (meta.attr("http-equiv").contains("REFRESH")) {
        RedirectedUrl = meta.attr("content").split("=")[1];
    } else {
        if (page.toString().contains("window.location.href")) {
            meta = page.select("script");
            for (Element script:meta) {
                String s = script.data();
                if (!s.isEmpty() && s.startsWith("window.location.href")) {
                    int start = s.indexOf("=");
                    int end = s.indexOf(";");
                    if (start>0 && end >start) {
                        s = s.substring(start+1,end);
                        s =s.replace("'", "").replace("\"", "");        
                        RedirectedUrl = s.trim();
                        break;
                    }
                }
            }
        }
    }

... now retrieve the redirected page again...
eaf3rand

eaf3rand4#

用com.codeborne.phantomjsdriver在我的例子中解决了注意:这是groovy代码。
pom.xml文件

<dependency>
          <groupId>com.codeborne</groupId>
          <artifactId>phantomjsdriver</artifactId>
          <version> <here goes last version> </version>
        </dependency>

幻影.groovy

import org.jsoup.Jsoup
import org.jsoup.nodes.Document
import org.openqa.selenium.WebDriver
import org.openqa.selenium.phantomjs.PhantomJSDriver

class PhantomJsUtils {
    private static String filePath = 'data/temp/';

    public static Document renderPage(String filePath) {
        System.setProperty("phantomjs.binary.path", 'libs/phantomjs') // path to bin file. NOTE: platform dependent
        WebDriver ghostDriver = new PhantomJSDriver();
        try {
            ghostDriver.get(filePath);
            return Jsoup.parse(ghostDriver.getPageSource());
        } finally {
            ghostDriver.quit();
        }
    }

    public static Document renderPage(Document doc) {
        String tmpFileName = "$filePath${Calendar.getInstance().timeInMillis}.html";
        FileUtils.writeToFile(tmpFileName, doc.toString());
        return renderPage(tmpFileName);
    }
}

classinproject.groovy类

Document doc = PhantomJsUtils.renderPage(Jsoup.parse(yourSource))
yruzcnhs

yruzcnhs5#

可以通过组合 JSoup 在我的示例中,我使用了另一个框架来解释网页 HtmlUnit .

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

import com.gargoylesoftware.htmlunit.WebClient;
import com.gargoylesoftware.htmlunit.html.HtmlPage;

...

WebClient webClient = new WebClient();
HtmlPage myPage = webClient.getPage(URL);

Document document = Jsoup.parse(myPage.asXml());
Elements otherLinks = document.select("a[href]");
mo49yndu

mo49yndu6#

在用jsoup解析页面时,有没有一种方法可以同时获得javascript生成的内容?
我想不,如果不用java构建一个完整的javascript解释器,这将是多么困难。

bweufnob

bweufnob7#

你需要了解发生了什么:
当你从一个网站上查询一个页面时,不管是使用jsoup还是浏览器,返回给你的都是一些html。jsoup能够解析它。
然而,大多数网站在该html中包含javascript,或者从该html链接,这将用内容填充页面。您的浏览器能够执行javascript,从而填充页面。jsoup不是。
理解这一点的方法如下:解析html代码很容易。执行javascript代码并更新相应的html代码要复杂得多,这是浏览器的工作。
以下是解决此类问题的一些方法:
如果您可以找到javascript代码正在进行的ajax调用,即加载内容,那么您可以将这些调用的url与jsoup一起使用。为此,请使用浏览器中的开发人员工具。但这并不能保证有效:
这可能是因为url是动态的,并且取决于当时页面上的内容
如果内容不是公开的,那么cookies就会被涉及,仅仅查询资源url是不够的
在这些情况下,您需要“模拟”浏览器的工作。幸运的是,这样的工具是存在的。我认识并推荐的是幻影。它与javascript一起工作,您需要通过启动一个新进程从java启动它。如果您想坚持使用java,本文将列出一些java替代方案。

qpgpyjmq

qpgpyjmq8#

jsoup是一个html解析器,而不是某种嵌入式浏览器引擎。这意味着它完全不知道在初始页面加载之后javascript添加到dom的任何内容。
要访问这种类型的内容,您需要一个嵌入式浏览器组件,关于这种组件有很多讨论,例如有没有一种方法可以将浏览器嵌入java?

6ioyuze2

6ioyuze29#

在javascript脚本加载完成后,您可以使用jsoup和htmlunit的组合来获取页面内容。
pom.xml文件

<dependency>
    <groupId>net.sourceforge.htmlunit</groupId>
    <artifactId>htmlunit</artifactId>
    <version>3.35</version>
</dependency>

文件中的简单示例https://riptutorial.com/jsoup/example/16274/parsing-javascript-generated-page-with-jsoup-and-htmunit

// load page using HTML Unit and fire scripts
WebClient webClient2 = new WebClient();
HtmlPage myPage = webClient2.getPage(new File("page.html").toURI().toURL());

// convert page to generated HTML and convert to document
Document doc = Jsoup.parse(myPage.asXml());

// iterate row and col
for (Element row : doc.select("table#data > tbody > tr"))
    for (Element col : row.select("td"))
        // print results
        System.out.println(col.ownText());

// clean up resources        
webClient2.close();

一个复杂的例子:加载login,获取session和csrf,然后发布并等待主页完成加载(15秒)

import java.io.IOException;
import java.net.HttpCookie;
import java.net.MalformedURLException;
import java.net.URL;

import org.jsoup.Connection;
import org.jsoup.Connection.Method;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

import com.gargoylesoftware.htmlunit.FailingHttpStatusCodeException;
import com.gargoylesoftware.htmlunit.HttpMethod;
import com.gargoylesoftware.htmlunit.NicelyResynchronizingAjaxController;
import com.gargoylesoftware.htmlunit.WebClient;
import com.gargoylesoftware.htmlunit.WebRequest;
import com.gargoylesoftware.htmlunit.html.HtmlPage;

//JSoup load Login Page and get Session Details
Connection.Response res = Jsoup.connect("https://loginpage").method(Method.GET).execute();

String sessionId = res.cookie("findSESSION");
String csrf = res.cookie("findCSRF");

HttpCookie cookie = new HttpCookie("findCSRF", csrf);
cookie.setDomain("domain.url");
cookie.setPath("/path");

WebClient webClient = new WebClient();
webClient.addCookie(cookie.toString(),
            new URL("https://url"),
            "https://referrer");

// Add other cookies/ Session ...

webClient.getOptions().setJavaScriptEnabled(true);
webClient.getOptions().setCssEnabled(false);
webClient.getOptions().setUseInsecureSSL(true);
webClient.getOptions().setThrowExceptionOnFailingStatusCode(false);
webClient.getCookieManager().setCookiesEnabled(true);
webClient.setAjaxController(new NicelyResynchronizingAjaxController());
// Wait time
webClient.waitForBackgroundJavaScript(15000);
webClient.getOptions().setThrowExceptionOnScriptError(false);

URL url = new URL("https://login.path");
WebRequest requestSettings = new WebRequest(url, HttpMethod.POST);

requestSettings.setRequestBody("user=234&pass=sdsdc&CSRFToken="+csrf);
HtmlPage page = webClient.getPage(requestSettings);

// Wait
synchronized (page) {
    try {
        page.wait(15000);
    } catch (InterruptedException e) {
        e.printStackTrace();
    }
}

// Parse logged in page as needed
Document doc = Jsoup.parse(page.asXml());

相关问题