Java 爬虫遇上数据异步加载，试试这两种办法！【后】-华为开发者话题

有几百条的请求，该如何查找到是哪条请求获取的要闻数据呢？你不嫌麻烦的话，可以一个一个的去点，肯定能够查找到的，另一种快捷的办法是利用 network 的搜索功能，如果你不知道搜索按钮，我在上图已经圈出来啦，我们在要闻中随便复制一个新闻标题，然后检索一下，就可以获取到结果，如下图所示：

这样我们就快速的获取到了要闻数据的请求链接，链接为：https://temp.163.com/special/00804KVA/cm_yaowen.js?callback=data_callback，访问该链接，查看该链接返回的数据，如下图所示：

从数据我们可以看出，我们需要的数据都在这里啦，所以我们只需要解析这段数据接可以啦，要从这段数据中解析出新闻标题和新闻链接，有两种方式，一种是正则表达式，另一种是将该数据转成 json 或者 list。这里我选择第二种方式，利用 fastjson 将返回的数据转换成 JSONArray 。所以我们是要引入 fastjson ，在 pom.xml 中引入 fastjson 依赖：

<dependency>
    <groupId>com.alibaba</groupId>
    <artifactId>fastjson</artifactId>
    <version>1.2.59</version></dependency>1
2
3
4
5

除了引入 fastjson 依赖外，我们在转换前还需要对数据进行简单的处理，因为现在的数据并不符合 list 的格式，我们需要去掉 data_callback( 和最后面的 )。具体反向解析获取网易要闻的代码如下：

/**
 * 使用反向解析法 解决数据异步加载的问题
 *
 * @param url
 */public void httpclientMethod(String url) throws IOException {

    CloseableHttpClient httpclient = HttpClients.createDefault();
    HttpGet httpGet = new HttpGet(url);
    CloseableHttpResponse response = httpclient.execute(httpGet);
    if (response.getStatusLine().getStatusCode() == 200) {
        HttpEntity entity = response.getEntity();
        String body = EntityUtils.toString(entity, 'GBK');
        // 先替换掉最前面的 data_callback(
        body = body.replace('data_callback(', '');
        // 过滤掉最后面一个 ）右括号
        body = body.substring(0, body.lastIndexOf(')'));
        // 将 body 转换成 JSONArray
        JSONArray jsonArray = JSON.parseArray(body);
        for (int i = 0; i < jsonArray.size(); i++) {
            JSONObject data = jsonArray.getJSONObject(i);
            System.out.println('文章标题：' + data.getString('title') + ' ,文章链接：' + data.getString('docurl'));
        }
    } else {
        System.out.println('处理失败！！！返回状态码：' + response.getStatusLine().getStatusCode());
    }}1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

编写 main 方法，执行上面的方法，需要注意的地方是：这时候传入的链接为https://temp.163.com/special/00804KVA/cm_yaowen.js?callback=data_callback 而不是 https://news.163.com/。得到如下结果:

两种方法都成功的获取到了网易要闻异步加载的新闻列表，对于这两种方法的选取，我个人的倾向是使用反向解析法，因为它的性能和稳定是都要比内置浏览器内核靠谱，但是对于一些使用 JavaScript 片段渲染的页面，内置浏览器又更加靠谱。所以根据具体情况选择吧。

希望这篇文章对你有所帮助，下一篇是关于爬虫IP 被封的问题。如果你对爬虫感兴趣，不妨关注一波，相互学习，相互进步

源代码：源代码

文章不足之处，望大家多多指点，共同学习，共同进步