问题描述
我正在Android Studio中开发一个应用程序,并且在使用JSoup进行网络抓取时遇到了一些麻烦。我已经成功连接到网页并返回了一些基本元素来测试该库,但是现在我实际上无法获得我的应用程序所需的元素。
我正在尝试使用“ data-at”属性获取多个元素。奇怪的是,返回了一些带有“ data-at”属性的元素,但没有返回我要查找的元素。无论出于何种原因,我的代码都不会提取与网页上共享“ data-at”属性的元素的 全部 。
包含网页抓取代码的方法:
@Override
protected String doInBackground(Void... params) {
String title = "";
Document doc;
Log.d(TAG,queryString.toString());
try {
doc = Jsoup.connect(queryString.toString()).get();
Elements content = doc.select("[data-at]");
for (Element e: content) {
Log.d(TAG,e.text());
}
} catch (IOException e) {
Log.e(TAG,e.toString());
}
return title;
}
Logcat中的结果
我要检索的元素
实际被检索的元素之一
解决方法
这是因为某些内容-包括您要查找的内容-是异步创建的,并且不存在于初始DOM(Javascript;))中
当您查看页面源代码时,您会发现只有17个data-at
出现,而运行document.querySelector("[data-at]")
时返回了29个节点。
您可以在JSoup中获得的是页面的静态内容(初始DOM)。您将无法获取动态创建的内容,因为您没有运行必需的JS脚本。
为了克服这个问题,您将必须手动获取和解析所需的资源(例如,跟踪浏览器进行的AJAX调用)或使用无头浏览器设置。硒+无头铬应该足够了。
Letter选项将使您可以废弃任何可能的Web应用程序,包括SPA应用程序,而使用纯Jsoup无法实现。
,我不太知道该怎么做,但是我将再尝试一次...您代码中的“问题行”如下:
doc = Jsoup.connect(queryString.toString()).get(); Elements content = doc.select("[data-at]");
这是您所请求的 queryString
- URL
指向包含大量脚本代码的页面。加载浏览器并单击显示为 "View Source"
的按钮(或菜单选项)时,您看到的 HTML
不是与JSoup广播和接收的完全相同的 HTML
。
如果广播的 HTML
中包含任何 <SCRIPT TYPE="text/javascript"> ... </SCRIPT>
(以及名为 URL
在您的问题中确实), AND 这些<SCRIPT>
标签与页面的初始加载有关,那么JSoup将一无所知... 它仅解析它收到的内容将无法处理任何动态内容。
我知道从动态网页上获取 HTML
的“脚本加载后”版本的四种方法,现在我将在此处进行输入。第一种可能是我在Stack Overflow上听说过的最流行的方法(在Java中):
- 硒 This Answer将显示该工具如何运行Java脚本。这些是Selenium Docs。然后,这里有this page个很棒的“第一类”,可以使用该工具检索
post-script processed HTML
。同样,JSoup无法检索通过脚本(JS / AJAX / Angular / React)发送到浏览器的HTML,因为它 只是一个解析器 。 - Puppeteer (这需要运行名为 Node.js 的语言)也许可以从Java调用简单的 Node.js 程序,但是可以是“两种语言”的解决方案。我没用过这是an answer,显示了您正在尝试获得的……脚本后的HTML。
- WebView Android Java程序员有一个很受欢迎的类,叫做
"WebView"
(documented here),最近我被告知(昨天.. (但已经使用了很多年),它将在浏览器中执行脚本并返回HTML。这是an answer,显示“ JavaScript注入”以从“ WebView”实例检索DOM Tree元素(这是完成的方式) - 飞溅我最喜欢的工具,我认为没有人听说过,但对我来说却是最简单的工具。因此,有一个A.P.I.称为“ Splash API”。这里是their explanation的“ Java脚本渲染服务”。既然我一直在使用...,我将发布一个代码段,以显示“启动工具”如何在下面检索
post-script processed HTML
。
要运行 Splash API
(仅当您有权访问 docker
加载程序时)...启动 Splash Server
,如下所示。这两行输入到GCP (Google Cloud Platform)
Shell实例中,服务器无需任何配置即可启动:
拉出图像:
$ sudo docker pull scrapinghub/splash
启动容器:
$ sudo docker run -it -p 8050:8050 --rm scrapinghub/splash
在您的代码中,只需将字符串放在您的
URL's
之前:"http://localhost:8050/render.html?url="
因此,在代码中,您将使用以下命令(而不是),并且脚本将(更有可能)加载所有未找到的HTML元素:
String SPLASH_URL = "http://localhost:8050/render.html?url="; doc = Jsoup.connect(SPLASH_URL + queryString.toString()).get();