如果数据是通过Javascript加载的，如何使用php Goutte和Guzzle进行爬网？

Question

很多时候，当我们遇到问题时，我们会遇到使用Javascript生成页面上呈现的内容的问题，因此scrapy无法为其抓取（例如，ajax请求，jQuery）

Answer 1

你想看看phantomjs。有这个PHP实现：

http://jonnnnyw.github.io/php-phantomjs/

如果你需要让它与PHP一起工作当然。

你可以阅读页面，然后将内容提供给Guzzle，以便使用Guzzle给你的好功能（比如搜索内容等等）。这取决于你的需求，也许你可以简单地使用dom，如下所示：

How to get element by class name?

这是一些工作代码。

  $content = $this->getHeadlessReponse($url);
  $this->crawler->addContent($this->getHeadlessReponse($url));

  /**
   * Get response using a headless browser (phantom in this case).
   *
   * @param $url
   *   URL to fetch headless
   *
   * @return string
   *   Response.
   */
public function getHeadlessReponse($url) {
    // Fetch with phamtomjs
    $phantomClient = PhantomClient::getInstance();
    // and feed into the crawler.
    $request = $phantomClient->getMessageFactory()->createRequest($url, 'GET');

    /**
     * @see JonnyW\PhantomJs\Http\Response
     **/
    $response = $phantomClient->getMessageFactory()->createResponse();

    // Send the request
    $phantomClient->send($request, $response);

    if($response->getStatus() === 200) {
        // Dump the requested page content
        return $response->getContent();
    }

}

使用幻像的唯一缺点是，它会比guzzle慢​​，但当然，你必须等待所有那些讨厌的js加载。

Answer 2

Guzzle（Goutte在内部使用）是一个HTTP客户端。因此，javascript内容将不会被解析或执行。驻留在请求的端点之外的Javascript文件将不会被下载。

根据您的环境，我认为可以使用PHPv8（嵌入Google V8 javascript引擎的PHP扩展）和自定义handler / middleware来执行您想要的操作。

然后，根据您的环境，使用javascript客户端简单地执行抓取可能更容易。

Answer 3

我建议尝试获取回复内容。将其解析（如果必须）到新的html并在初始化新的Crawler对象时将其用作$ html，之后您可以像使用任何其他Crawler对象一样使用响应中的所有数据。

$crawler = $client->submit($form);
$html = $client->getResponse()->getContent();
$newCrawler = new Crawler($html);

Answer 4

由于无法使用javascript，我可以建议另一个解决方案：

GOOGLE CHROME>右键>检查元素>右键>编辑为html> copy>使用复制的html

        $html = $the_copied_html;
        $crawler = new Crawler($html);

        $data = $crawler->filter('.your-selector')->each(function (Crawler $node, $i) { 
                return [
                    'text' => $node->text()
                ];
        });

        //Do whatever you want with the $data
        return $data; //type Array

这仅适用于单个作业而非自动化流程。在我的情况下，这将做到这一点。