我创建了一个刮板,可以在各个职业站点上找到工作。在大约80%的网站上都可以使用,但是我很难在其余页面上使用它。
我认为原因是某些页面的页面上有JavaScript,这些JavaScript会生成动态内容。因此刮板失效。因此,我尝试了Watir以及Mechanize,但仍然无法正常工作。
https://www.climeworks.com/careers/是示例URL。有人可以刮吗?
这是我的Watir刮板机:
def watirscraper
require 'nokogiri'
require 'watir'
puts "starting newscraper"
opts = {
headless: true
}
# if (chrome_bin = ENV.fetch('GOOGLE_CHROME_SHIM', nil))
# opts.merge!( options: {binary: chrome_bin})
# end
browser = Watir::Browser.new :chrome, opts
browser.goto self.career_url
company = self
job_url = self.career_url
html_doc = Nokogiri::HTML.parse(browser.html)
jobtitle = html_doc.css(":contains('Developer'):not(:has(:contains('Developer')))").map(&:text)
puts jobtitle
end
您需要等待页面稳定后才能拉出内容。许多客户端应用程序至少需要几秒钟来启动,还有更多。
一种重构方法:
def wait_for_content(browser, selector)
html_doc = Nokogiri::HTML.parse(browser.html)
return if (html_doc.css(selector).first)
sleep(5)
# May want to have a limit here so it doesn't spin forever
redo
end
在哪里可以这样称呼:
wait_for_content(browser, ":contains('Developer'):not(:has(:contains('Developer')))")
jobtitle = ...
或类似的东西。
首先,您在Watir代码中使用了一个孤立的Nokogiri语句,例如Nokogiri::HTML.parse(browser.html)
。使用此类代码时,无法在Watir元素上调用方法。
[您在这里要做的就是安装watigiri
gem,这是Watir的附加组件。安装后,您可以在内部自动使用Nokogiri的元素对象上使用方法text!
。但是此方法不会等待页面完全加载,
如果在剪贴时正在加载页面,则必须在元素上使用text
。
Watir在写时使用Nokogiri:
b.element(name: "something").text!
Watir在编写时使用硒:
b.element(name: "something").text
有关更多信息,请参见Watigiri。