资讯专栏INFORMATION COLUMN

爬虫框架WebMagic源码分析之Selenium

MarvinZhang / 1030人阅读

摘要:有一个模块其中实现了一个。但是感觉灵活性不大。接口如下它会获得一个实例,你可以在里面进行任意的操作。本部分到此结束。

webmagic有一个selenium模块,其中实现了一个SeleniumDownloader。但是感觉灵活性不大。所以我就自己参考实现了一个。

首先是WebDriverPool用来管理WebDriver池:

</>复制代码

  1. import java.util.ArrayList;
  2. import java.util.concurrent.BlockingDeque;
  3. import java.util.concurrent.LinkedBlockingDeque;
  4. import java.util.concurrent.TimeUnit;
  5. import java.util.concurrent.atomic.AtomicInteger;
  6. import org.openqa.selenium.WebDriver;
  7. import org.openqa.selenium.phantomjs.PhantomJSDriver;
  8. import org.openqa.selenium.phantomjs.PhantomJSDriverService;
  9. import org.openqa.selenium.remote.DesiredCapabilities;
  10. import org.slf4j.Logger;
  11. import org.slf4j.LoggerFactory;
  12. import net.xby1993.common.util.FileUtil;
  13. /**
  14. * @author taojw
  15. */
  16. public class WebDriverPool {
  17. private Logger logger = LoggerFactory.getLogger(getClass());
  18. private int CAPACITY = 5;
  19. private AtomicInteger refCount = new AtomicInteger(0);
  20. private static final String DRIVER_PHANTOMJS = "phantomjs";
  21. /**
  22. * store webDrivers available
  23. */
  24. private BlockingDeque innerQueue = new LinkedBlockingDeque(
  25. CAPACITY);
  26. private static String PHANTOMJS_PATH;
  27. private static DesiredCapabilities caps = DesiredCapabilities.phantomjs();
  28. static {
  29. PHANTOMJS_PATH = FileUtil.getCommonProp("phantomjs.path");
  30. caps.setJavascriptEnabled(true);
  31. caps.setCapability(
  32. PhantomJSDriverService.PHANTOMJS_EXECUTABLE_PATH_PROPERTY,
  33. PHANTOMJS_PATH);
  34. caps.setCapability("takesScreenshot", false);
  35. caps.setCapability(
  36. PhantomJSDriverService.PHANTOMJS_PAGE_CUSTOMHEADERS_PREFIX
  37. + "User-Agent",
  38. "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2661.102 Safari/537.36");
  39. ArrayList cliArgsCap = new ArrayList();
  40. //http://phantomjs.org/api/command-line.html
  41. cliArgsCap.add("--web-security=false");
  42. cliArgsCap.add("--ssl-protocol=any");
  43. cliArgsCap.add("--ignore-ssl-errors=true");
  44. cliArgsCap.add("--load-images=false"); //不加载图片
  45. caps.setCapability(PhantomJSDriverService.PHANTOMJS_CLI_ARGS,
  46. cliArgsCap);
  47. caps.setCapability(
  48. PhantomJSDriverService.PHANTOMJS_GHOSTDRIVER_CLI_ARGS,
  49. new String[] {"--logLevel=INFO"});
  50. }
  51. public WebDriverPool() {
  52. }
  53. public WebDriverPool(int poolsize) {
  54. this.CAPACITY = poolsize;
  55. innerQueue = new LinkedBlockingDeque(poolsize);
  56. }
  57. public WebDriver get() throws InterruptedException {
  58. WebDriver poll = innerQueue.poll();
  59. if (poll != null) {
  60. return poll;
  61. }
  62. if (refCount.get() < CAPACITY) {
  63. synchronized (innerQueue) {
  64. if (refCount.get() < CAPACITY) {
  65. WebDriver mDriver = new PhantomJSDriver(caps);
  66. // 尝试性解决:https://github.com/ariya/phantomjs/issues/11526问题
  67. mDriver.manage().timeouts()
  68. .pageLoadTimeout(60, TimeUnit.SECONDS);
  69. // mDriver.manage().window().setSize(new Dimension(1366,
  70. // 768));
  71. innerQueue.add(mDriver);
  72. refCount.incrementAndGet();
  73. }
  74. }
  75. }
  76. return innerQueue.take();
  77. }
  78. public void returnToPool(WebDriver webDriver) {
  79. // webDriver.quit();
  80. // webDriver=null;
  81. innerQueue.add(webDriver);
  82. }
  83. public void close(WebDriver webDriver) {
  84. refCount.decrementAndGet();
  85. webDriver.quit();
  86. webDriver = null;
  87. }
  88. public void shutdown() {
  89. try {
  90. for (WebDriver driver : innerQueue) {
  91. close(driver);
  92. }
  93. innerQueue.clear();
  94. } catch (Exception e) {
  95. // e.printStackTrace();
  96. logger.warn("webdriverpool关闭失败",e);
  97. }
  98. }
  99. }

之后便是SeleniumDownloader

</>复制代码

  1. import org.openqa.selenium.By;
  2. import org.openqa.selenium.Cookie;
  3. import org.openqa.selenium.WebDriver;
  4. import org.openqa.selenium.WebElement;
  5. import org.slf4j.Logger;
  6. import org.slf4j.LoggerFactory;
  7. import us.codecraft.webmagic.Page;
  8. import us.codecraft.webmagic.Request;
  9. import us.codecraft.webmagic.Site;
  10. import us.codecraft.webmagic.Task;
  11. import us.codecraft.webmagic.downloader.Downloader;
  12. import us.codecraft.webmagic.selector.Html;
  13. import us.codecraft.webmagic.selector.PlainText;
  14. import us.codecraft.webmagic.utils.UrlUtils;
  15. import java.util.Map;
  16. /**
  17. * @author taojw
  18. *
  19. */
  20. public class SeleniumDownloader implements Downloader{
  21. private static final Logger log=LoggerFactory.getLogger(SeleniumDownloader.class);
  22. private int sleepTime=3000;//3s
  23. private SeleniumAction action=null;
  24. private WebDriverPool webDriverPool=new WebDriverPool();
  25. public SeleniumDownloader(){
  26. }
  27. public SeleniumDownloader(int sleepTime,WebDriverPool pool){
  28. this(sleepTime,pool,null);
  29. }
  30. public SeleniumDownloader(int sleepTime,WebDriverPool pool,SeleniumAction action){
  31. this.sleepTime=sleepTime;
  32. this.action=action;
  33. if(pool!=null){
  34. webDriverPool=pool;
  35. }
  36. }
  37. public SeleniumDownloader setSleepTime(int sleepTime) {
  38. this.sleepTime = sleepTime;
  39. return this;
  40. }
  41. public void setOperator(SeleniumAction action){
  42. this.action=action;
  43. }
  44. @Override
  45. public Page download(Request request, Task task) {
  46. WebDriver webDriver;
  47. try {
  48. webDriver = webDriverPool.get();
  49. } catch (InterruptedException e) {
  50. log.warn("interrupted", e);
  51. return null;
  52. }
  53. log.info("downloading page " + request.getUrl());
  54. Page page = new Page();
  55. try {
  56. webDriver.get(request.getUrl());
  57. Thread.sleep(sleepTime);
  58. } catch (InterruptedException e) {
  59. e.printStackTrace();
  60. } catch (Exception e) {
  61. webDriverPool.close(webDriver);
  62. page.setSkip(true);
  63. return page;
  64. }
  65. // WindowUtil.changeWindow(webDriver);
  66. WebDriver.Options manage = webDriver.manage();
  67. Site site = task.getSite();
  68. if (site.getCookies() != null) {
  69. for (Map.Entry cookieEntry : site.getCookies()
  70. .entrySet()) {
  71. Cookie cookie = new Cookie(cookieEntry.getKey(),
  72. cookieEntry.getValue());
  73. manage.addCookie(cookie);
  74. }
  75. }
  76. manage.window().maximize();
  77. if(action!=null){
  78. action.execute(webDriver);
  79. }
  80. SeleniumAction reqAction=(SeleniumAction) request.getExtra("action");
  81. if(reqAction!=null){
  82. reqAction.execute(webDriver);
  83. }
  84. WebElement webElement = webDriver.findElement(By.xpath("/html"));
  85. String content = webElement.getAttribute("outerHTML");
  86. page.setRawText(content);
  87. page.setHtml(new Html(UrlUtils.fixAllRelativeHrefs(content,
  88. webDriver.getCurrentUrl())));
  89. page.setUrl(new PlainText(webDriver.getCurrentUrl()));
  90. page.setRequest(request);
  91. webDriverPool.returnToPool(webDriver);
  92. return page;
  93. }
  94. @Override
  95. public void setThread(int thread) {
  96. }
  97. }

这里的扩展性主要体现在,我加入了SeleniumAction接口,可以在SeleniumDownloader初始化的时候配置一个全局的SeleniumAction,以及为每个Request配置对应的SeleniumAction。 SeleniumAction接口如下:

</>复制代码

  1. public interface SeleniumAction {
  2. void execute(WebDriver driver);
  3. }

它会获得一个WebDriver实例,你可以在里面进行任意的Selenium操作。

本部分到此结束。

文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。

转载请注明本文地址:https://www.ucloud.cn/yun/66905.html

相关文章

  • 优雅的使用WebMagic框架写Java爬虫

    摘要:优雅的使用框架,爬取唐诗别苑网的诗人诗歌数据同时在几种动态加载技术中对比作选择虽然差不多两年没有维护,但其本身是一个优秀的爬虫框架的实现,源码中有很多值得参考的地方,特别是对爬虫多线程的控制。 优雅的使用WebMagic框架,爬取唐诗别苑网的诗人诗歌数据 同时在几种动态加载技术(HtmlUnit、PhantomJS、Selenium、JavaScriptEngine)中对比作选择 We...

    leejan97 评论0 收藏0
  • 爬虫框架WebMagic源码分析系列目录

    摘要:爬虫框架源码分析之爬虫框架源码分析之爬虫框架源码分析之爬虫框架源码分析之爬虫框架源码分析之之进阶 爬虫框架Webmagic源码分析之Spider爬虫框架WebMagic源码分析之Scheduler爬虫框架WebMagic源码分析之Downloader爬虫框架WebMagic源码分析之Selector爬虫框架WebMagic源码分析之SeleniumWebMagic之Spider进阶

    wayneli 评论0 收藏0
  • 爬虫框架Webmagic源码分析Spider

    摘要:获取正在运行的线程数,用于状态监控。之后初始化组件主要是初始化线程池将到中,初始化开始时间等。如果线程池中运行线程数量为,并且默认,那么就停止退出,结束爬虫。 本系列文章,针对Webmagic 0.6.1版本 一个普通爬虫启动代码 public static void main(String[] args) { Spider.create(new GithubRepoPageP...

    邹立鹏 评论0 收藏0
  • 爬虫框架WebMagic源码分析Selector

    摘要:主要用于选择器抽象类,实现类前面说的两个接口,主要用于选择器继承。多个选择的情形,每个选择器各自独立选择,将所有结果合并。抽象类,定义了一些模板方法。这部分源码就不做分析了。这里需要提到的一点是返回的不支持选择,返回的对象支持选择。 1、Selector部分:接口:Selector:定义了根据字符串选择单个元素和选择多个元素的方法。ElementSelector:定义了根据jsoup ...

    dongxiawu 评论0 收藏0
  • 爬虫框架WebMagic源码分析Scheduler

    摘要:包主要实现类,这是一个抽象类,实现了通用的模板方法,并在方法内部判断错误重试去重处理等。重置重复检查就是清空,获取请求总数也就是获取的。至于请求总数统计,就是返回中维护的的大小。 Scheduler是Webmagic中的url调度器,负责从Spider处理收集(push)需要抓取的url(Page的targetRequests)、并poll出将要被处理的url给Spider,同时还负责...

    TIGERB 评论0 收藏0

发表评论

0条评论

最新活动
阅读需要支付1元查看
<