随着Web的发展，RIA越来越多，JavaScript和Complex AJAX Libraries给网络爬虫带来了极大的挑战，解析页面的时候需要模拟浏览器执行JavaScript才能获得需要的文本内容。

好在有一个Java开源项目HtmlUnit，它能模拟Firefox、IE、Chrome等浏览器，不但可以用来测试Web应用，还可以用来解析包含JS的页面以提取信息。

下面看看HtmlUnit的效果如何：

首先，建立一个maven工程，引入junit依赖和HtmlUnit依赖：

<dependency><groupId>junit</groupId><artifactId>junit</artifactId><version>4.8.2</version><scope>test</scope>
</dependency>
<dependency><groupId>net.sourceforge.htmlunit</groupId><artifactId>htmlunit</artifactId><version>2.14</version>
</dependency>

其次，写一个junit单元测试来使用HtmlUnit提取页面信息：

/*** 使用HtmlUnit模拟浏览器执行JS来获取网页内容* @author 杨尚川*/
public class HtmlUnitTest {@Testpublic void homePage() throws Exception {final WebClient webClient = new WebClient(BrowserVersion.INTERNET_EXPLORER_11);final HtmlPage page = webClient.getPage("http://yangshangchuan.iteye.com");Assert.assertEquals("杨尚川的博客 - ITeye技术网站", page.getTitleText());final String pageAsXml = page.asXml();Assert.assertTrue(pageAsXml.contains("杨尚川，系统架构设计师，系统分析师，2013年度优秀开源项目APDPlat发起人，资深Nutch搜索引擎专家。多年专业的软件研发经验，从事过管理信息系统(MIS)开发、移动智能终端(Win CE、Android、Java ME)开发、搜索引擎(nutch、lucene、solr、elasticsearch)开发、大数据分析处理(Hadoop、Hbase、Pig、Hive)等工作。目前为独立咨询顾问，专注于大数据、搜索引擎等相关技术，为客户提供Nutch、Lucene、Hadoop、Solr、ElasticSearch、HBase、Pig、Hive、Gora等框架的解决方案、技术支持、技术咨询以及培训等服务。"));final String pageAsText = page.asText();Assert.assertTrue(pageAsText.contains("[置顶] 国内首套免费的《Nutch相关框架视频教程》(1-20)"));webClient.closeAllWindows();}@Testpublic void homePage_Firefox() throws Exception {final WebClient webClient = new WebClient(BrowserVersion.FIREFOX_24);final HtmlPage page = webClient.getPage("http://yangshangchuan.iteye.com");        Assert.assertEquals("杨尚川的博客 - ITeye技术网站", page.getTitleText());webClient.closeAllWindows();}@Testpublic void getElements() throws Exception {final WebClient webClient = new WebClient(BrowserVersion.CHROME);final HtmlPage page = webClient.getPage("http://yangshangchuan.iteye.com");final HtmlDivision div = page.getHtmlElementById("blog_actions");//获取子元素Iterator<DomElement> iter = div.getChildElements().iterator();while(iter.hasNext()){System.out.println(iter.next().getTextContent());}//获取所有输出链接for(HtmlAnchor anchor : page.getAnchors()){System.out.println(anchor.getTextContent()+" : "+anchor.getAttribute("href"));}webClient.closeAllWindows();}@Testpublic void xpath() throws Exception {final WebClient webClient = new WebClient();final HtmlPage page = webClient.getPage("http://yangshangchuan.iteye.com");//获取所有博文标题final List<HtmlAnchor> titles = (List<HtmlAnchor>)page.getByXPath("/html/body/div[2]/div[2]/div/div[16]/div/h3/a");for(HtmlAnchor title : titles){System.out.println(title.getTextContent()+" : "+title.getAttribute("href"));}//获取博主信息final HtmlDivision div = (HtmlDivision) page.getByXPath("//div[@id='blog_owner_name']").get(0);System.out.println(div.getTextContent());webClient.closeAllWindows();}@Testpublic void submittingForm() throws Exception {final WebClient webClient = new WebClient(BrowserVersion.FIREFOX_24);final HtmlPage page = webClient.getPage("http://www.oschina.net");// Form没有name和id属性final HtmlForm form = page.getForms().get(0);final HtmlTextInput textField = form.getInputByName("q");final HtmlButton button = form.getButtonByName("");textField.setValueAttribute("APDPlat");final HtmlPage resultPage = button.click();final String pageAsText = resultPage.asText();Assert.assertTrue(pageAsText.contains("找到约"));Assert.assertTrue(pageAsText.contains("条结果"));        webClient.closeAllWindows();}
}

最后，我们运行单元测试， 全部通过测试！