我正在尝试抓取一个网站,但我没有得到一些元素,因为这些元素是动态创建的。
我在node.js中使用cheerio,我的代码如下。
var request = require('request');
var cheerio = require('cheerio');
var url = "http://www.bdtong.co.kr/index.php?c_category=C02";
request(url, function (err, res, html) {
var $ = cheerio.load(html);
$('.listMain > li').each(function () {
console.log($(this).find('a').attr('href'));
});
});
此代码返回空响应,因为加载页面时,
<ul id="store_list" class="listMain">
为空。
内容尚未追加。
如何使用node.js获取这些元素?如何抓取具有动态内容的页面?
给你;
var phantom = require('phantom');
phantom.create(function (ph) {
ph.createPage(function (page) {
var url = "http://www.bdtong.co.kr/index.php?c_category=C02";
page.open(url, function() {
page.includeJs("http://ajax.googleapis.com/ajax/libs/jquery/1.6.1/jquery.min.js", function() {
page.evaluate(function() {
$('.listMain > li').each(function () {
console.log($(this).find('a').attr('href'));
});
}, function(){
ph.exit()
});
});
});
});
});
无头 Chrome 节点 API
它使得抓取变得非常简单。以下示例将抓取 npmjs.com
的标题const puppeteer = require('puppeteer');
(async () => {
const browser = await puppeteer.launch();
const page = await browser.newPage();
await page.goto('https://www.npmjs.com/');
const textContent = await page.evaluate(() => {
return document.querySelector('body).textContent
});
console.log(textContent); /* No Problem Mate */
browser.close();
})();
evaluate
将允许检查动态元素,因为这将在页面上运行脚本。
使用新的 npm 模块 x-ray,以及可插入的 Web 驱动程序 x-ray-phantom。
上面页面中的示例,但以下是如何进行动态抓取:
var phantom = require('x-ray-phantom');
var Xray = require('x-ray');
var x = Xray()
.driver(phantom());
x('http://google.com', 'title')(function(err, str) {
if (err) return done(err);
assert.equal('Google', str);
done();
})
作为规范回答这个问题,用于抓取动态网站的 Puppeteer 的替代方案是 Playwright,截至 2023 年也得到了良好的支持。这是一个简单的例子:
const playwright = require("playwright"); // ^1.28.1
let browser;
(async () => {
browser = await playwright.chromium.launch();
const page = await browser.newPage();
await page.goto("https://example.com");
const text = await page.locator('h1:text("Example")').textContent();
console.log(text); // => Example Domain
})()
.catch(err => console.error(err))
.finally(() => browser?.close());
另一种方法是尝试直接访问API。链接的教程使用了一些 Python,但大多数技术同样适用于 Node。我将在这里总结它们。高级策略是搜索数据的网络请求,以确定数据是否由不安全的 API 端点提供服务。如果是这样,您可以发出传统的 HTTP 请求来直接下载原始 JSON 数据。
在其他情况下,数据可作为静态页面提供的
<script>
标签中的 JS 对象或 JSON 字符串使用。然后可以使用像 Cheerio 这样的 HTML 解析器来提取数据,可能需要使用一些正则表达式。
通常,访问原始数据比浏览器自动化更快、更容易、更可靠。
最简单可靠的解决方案是使用 puppeteer。正如https://pusher.com/tutorials/web-scraper-node中提到的,它适用于静态+动态scraping。
仅将 Browser.js、TimeoutSettings.js、Launcher.js 中的超时 300000 更改为 3000000