使用Selenium來抓取動態加載的頁面

有些頁面是經過js以及ajax動態加載的，例如：花瓣網。這時若是咱們直接分析原始頁面的html，是得不到有效的信息的。固然，由於不管怎樣動態加載，基礎信息總歸是包含在初始頁面中得，因此咱們能夠用爬蟲代碼來模擬js代碼，js讀取頁面元素值，咱們也讀取頁面元素值;js發送ajax，咱們就拼湊參數、發送ajax並解析返回的json。這樣總歸是能作的，可是比較麻煩，有沒有比較省力的方法呢？比較好的方法大概是內嵌一個瀏覽器了。
　　 Selenium 是一個模擬瀏覽器，進行自動化測試的工具，它提供一組API能夠與真實的瀏覽器內核交互。Selenium是跨語言的，有 Java 、C#、python等版本，而且支持多種瀏覽器，chrome、firefox以及IE都支持。
　　在Java項目中使用Selenium，須要作兩件事：
　　在項目中引入Selenium的Java模塊，以Maven爲例：
　　<dependency> <groupId>org.seleniumhq.selenium</groupId> <artifactId>selenium-java</artifactId> <version>2.33.0</version> </dependency>
　　下載對應的driver，以chrome爲例： http://code.google.com/p/chromedriver/downloads/list
　　下載後，須要將driver的位置寫到Java的環境變量裏，例如我在mac下將其下載到了/Users/yihua/Downloads/chromedriver，則須要在程序裏添加如下代碼(固然在JVM參數裏寫-Dxxx=xxx也是能夠的)：
　　System.getProperties().setProperty("webdriver.chrome.driver"，"/Users/yihua/Downloads/chromedriver");
　　Selenium的API挺簡單的，核心是WebDriver，下面是動態渲染頁面，並獲取最終html的代碼：
@Test
public void testSelenium() {
System.getProperties().setProperty("webdriver.chrome.driver"， "/Users/yihua/Downloads/chromedriver");
WebDriver webDriver = new ChromeDriver();
webDriver.get(" http://huaban.com/ ");
WebElement webElement = webDriver.findElement(By.xpath("/html"));
System.out.println(webElement.getAttribute("outerHTML"));
webDriver.close();
}
　　值得注意的是，每次new ChromeDriver()，Selenium都會創建一個Chrome進程，並使用一個隨機端口在Java中與chrome進程進行通訊來交互。因而可知有兩個問題：
　　所以若是直接關閉Java程序，Chrome進程多是沒法關閉的。這裏須要顯示的調用webDriver.close()來關閉進程。
　　建立進程的開銷仍是比較大的，儘可能對webDriver進行復用會比較好。惋惜根據官方的文檔，webDriver不是線程安全的，因此咱們須要創建一個webDriver池來保存它們。不清楚Selenium是否有這樣的接口，反正我是本身寫了一個WebDriverPool來完成這個任務。