这篇文章主要讲解了“Linux环境下安装chrome无头模式抓取网页源码的方法”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Linux环境下安装chrome无头模式抓取网页源码的方法”吧！
由来: 公司业务方面需要抓取目标网站首页上的源代码,进行业务分析,在会议上脑子里就想使用Jsoup直接抓取就好了, 简单得很 , 等到会后 ,实际情况挺复杂的
有些网站是使用js生成的,有些网站还具备反爬功能, 判断你是否使用浏览器访问, 如果不是浏览器那么就直接给一个警告的js代码, (由于行业原因, 不放出目标网站和抓到的js代码)
所以, 就只能依靠真的浏览器,真的去访问一下目标网站,获取页面源码, 此法借鉴于测试界的selenium和linux版的chrome无头模式, 下面开始:
0. 参考资料来自简书 :https://www.jianshu.com/p/b2609ed57f07 在这里感谢作者提供这么好的教程和思路
1. 进入linux 先执行命令:
yum install libX11 libXcursor libXdamage libXext libXcomposite libXi libXrandr gtk3 libappindicator-gtk3 xdg-utils libXScrnSaver liberation-fonts
2. 下载chrome
wget https://dl.google.com/linux/direct/google-chrome-stable_current_x86_64.rpm
3. 安装chrome
rpm -ivh google-chrome-stable_current_x86_64.rpm
这个时候,可能有的环境下就报错, 类似于
warning: google-chrome-stable_current_x86_64.rpm: Header V4 DSA/SHA1 Signature, key ID 7fac5991: NOKEY
error: Failed dependencies:
/usr/bin/lsb_release is needed by google-chrome-stable-75.0.3770.100-1.x86_64
我找到的解决方式是这样安装chrome, 就可以安装成功了
yum localinstall google-chrome-stable_current_x86_64.rpm
4. 查看一下安装的chrome是什么版本的, 需要下载对应的chromedriver
[root@a80f552643f3 ~]# google-chrome --version
Google Chrome 75.0.3770.100
看到版本号, 这样就可以找对应的chromedriver 去这里找: http://chromedriver.chromium.org/downloads
下载自己版本对应的chromedriver , 然后传到自己的linux上,位置随意(不过这里在代码中有体现, 下面会提到)
chromedriver应该是个zip, 需要解开, 里面有个chromedriver名字的文件, 设置一下权限(我这里给出了777的权限)
chmod 777 chromedriver
5. 来到代码编辑器里(idea, springboot,其他语言自行查找对应的代码设置)
设置一下pom.xml 在 <dependencies> 标签中增加入下内容
<dependency>
<groupId>org.seleniumhq.selenium</groupId>
<artifactId>selenium-java</artifactId>
<version>3.141.59</version>
</dependency>
<dependency>
<groupId>org.seleniumhq.selenium</groupId>
<artifactId>selenium-remote-driver</artifactId>
<version>3.141.59</version>
</dependency>
<dependency>
<groupId>org.seleniumhq.selenium</groupId>
<artifactId>selenium-api</artifactId>
<version>3.141.59</version>
</dependency>
<dependency>
<groupId>org.seleniumhq.selenium</groupId>
<artifactId>selenium-chrome-driver</artifactId>
<version>3.141.59</version>
</dependency>
<dependency>
<groupId>org.seleniumhq.selenium</groupId>
<artifactId>selenium-support</artifactId>
<version>3.141.59</version>
</dependency>
<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>23.0</version>
</dependency>
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.12.1</version>
</dependency>
写一个controller , 然后提供一个如下方法 , 注意看注释, 注释很重要
@GetMapping("info")
public String info(@RequestParam String url){
// 这里就是设置chromedriver的地址
String driverPath = "/root/chromedriver";
// 将这个地址设置到系统变量参数中
System.setProperty("webdriver.chrome.driver", driverPath);
// 如果没有url参数,就默认取一个页面的源码
if (Objects.isNull(url)) {
url = "https://www.jianshu.com/p/b2609ed57f07";
}
// 开始设置chrome
ChromeOptions chromeOptions=new ChromeOptions();
// 必须设置 chrome 的无头模式 , 否则linux命令行模式启动报错
chromeOptions.setHeadless(Boolean.TRUE);
// 必须设置不使用沙箱, 也是防止 DevToolsActivePort file doesn't exist
chromeOptions.addArguments("--no-sandbox");
// 防止 DevToolsActivePort file doesn't exist
chromeOptions.addArguments("--disable-dev-shm-usage");
// 不加载图片, 提升速度
chromeOptions.addArguments("blink-settings=imagesEnabled=false");
// 设置 ua
chromeOptions.addArguments("--user-agent=Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36");
ChromeDriver chromeDriver = new ChromeDriver(chromeOptions);
chromeDriver.get(url);
// 获得页面源码
String pageSource = chromeDriver.getPageSource();
return pageSource;
}打包上传到Linux服务器, 可以作为外部调用的一个接口, 返回目标地址的页面源码
感谢各位的阅读，以上就是“Linux环境下安装chrome无头模式抓取网页源码的方法”的内容了，经过本文的学习后，相信大家对Linux环境下安装chrome无头模式抓取网页源码的方法这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是天达云，小编将为大家推送更多相关知识点的文章，欢迎关注！