页面内容是用 JavaScript 加载的，而 Jsoup 看不到它

Question

页面上的一个块由 JavaScript 填充内容，并且在使用 Jsoup 加载页面后，没有任何信息。使用 Jsoup 解析页面时是否有办法获取 JavaScript 生成的内容？

无法在此处粘贴页面代码，因为它太长： http://pastebin.com/qw4Rfqgw

这是元素我需要哪些内容：

我需要用 Java 获取此信息。最好使用 Jsoup。元素是 JavaScript 帮助下的字段：

<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();
        }
    }
}

Answer 1

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后由 Javascript 添加到 DOM 的任何内容。

要访问该类型的内容，您将需要一个嵌入式浏览器组件，有很多关于此类组件的讨论，例如 有没有办法在 Java 中嵌入浏览器？

Answer 2

使用 com.codeborne.phantomjsdriver 解决了我的情况
注意：这是常规代码。

pom.xml

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

PhantomJsUtils.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

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

Answer 3

您需要了解发生了什么：

• 当您从网站查询页面时，无论是使用 Jsoup 还是浏览器，返回给您的是一些 HTML。 Jsoup 能够解析它。
• 但是，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，并且是浏览器的工作。

以下是此类问题的一些解决方案：

1. 如果您可以找到 Javascript 代码正在执行的 Ajax 调用是什么（即加载内容），您也许可以将这些调用的 URL 与 Jsoup 一起使用。为此，请使用浏览器中的开发人员工具。但这并不能保证一定有效：

   • 该网址可能是动态的，并且取决于当时页面上的内容
   • 如果内容不公开，就会涉及到cookie，仅仅查询资源URL是不够的

2. 在这些情况下，您将需要“模拟”浏览器的工作。幸运的是，这样的工具是存在的。我知道并推荐的是 PhantomJS。它适用于 Javascript，您需要通过启动一个新进程来从 Java 启动它。如果您想坚持使用 Java，这篇文章列出了一些 Java 替代方案。

Answer 4

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

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

简单示例 来自文件 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();

复杂示例：加载登录，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());

Answer 5

可以通过将 JSoup 与另一个框架相结合来解释网页，在我的示例中，我使用 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]");

Answer 6

其实有一个“办法”！也许它更像是“一种解决方法”而不是一种“方式...下面的代码检查元属性“REFRESH”和javascript重定向...如果它们中的任何一个存在，则设置了RedirectedUrl变量。所以你知道你的目标...然后你可以检索目标页面并继续...

    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...

Answer 7

指定用户代理后，我的问题就解决了。

https://github.com/jhy/jsoup/issues/287#issuecomment- 12769155

Answer 8

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();