建站
咨詢
售后
建站咨詢
新聞中心
從你的應(yīng)用中收集數(shù)據(jù)有時候可能有點困難和艱辛?？赡苁侨鄙僖粋€必須的API，或者是有太多的數(shù)據(jù)需要處理。這時候你就需要借助于web抓取。
不用說了，這可能是個法律雷區(qū)，所以要確保你沒有逾越法律的邊界。
目前有很多工具可以幫助你抓取內(nèi)容，例如Import.io，但是有時這些工具并不能完全滿足你的需要。又或者，像我一樣，充滿好奇心，希望深入地了解web抓取。
挑戰(zhàn)
讓我們從一個簡單地挑戰(zhàn)——網(wǎng)絡(luò)爬蟲開始，讓這個爬蟲爬取Techmeme，并獲得一個當(dāng)天熱門新聞列表！
注意： 在這里我將會使用DZone，但在獲取頁面時會出現(xiàn)問題。后面會詳細(xì)說明這個問題。
機器設(shè)置
您只需要做很少的工作來完成安裝。我假設(shè)您已經(jīng)安裝了Node.js（我的意思是誰沒有安裝呢?。?。盡管我們并不直接使用PhantomJS，但是您依然需要安裝它。版本2.0.1目前已經(jīng)可以使用了——您可以從其官網(wǎng)下載或使用homebrew或其他等效的包管理器安裝。
如果您使用具有homebrew的Mac，您可以這樣安裝PhantomJS
brew install phantomjs
下載完成之后，您將需要用相同的方式安裝CasperJS。您可以將CasperJS看做PhantomJS的伴侶。它實際上是給您提供相似的網(wǎng)頁處理API。盡管它是為網(wǎng)頁測試設(shè)計的。與PhantomJS相同，它具有豐富的功能使其也非常適合于抓取內(nèi)容。
CasperJS允許我們編寫JavaScript腳本。您可以通過在終端中輸入casperjs以測試其是否正確安裝并加入到PATH中。
編寫腳本
下面我們將編寫一個新的JavaScript腳本文件。在我的例子中，我稱其為index.js。您需要做的***件事就是在您的代碼中創(chuàng)建一個casper實例。您還需要加入依賴的模塊并向其傳遞一些基本參數(shù)。
- var casper = require("casper").create({
- waitTimeout: 10000,
- stepTimeout: 10000,
- verbose: true,
- pageSettings: {
- webSecurityEnabled: false
- },
- onWaitTimeout: function() {
- this.echo('** Wait-TimeOut **');
- },
- onStepTimeout: function() {
- this.echo('** Step-TimeOut **');
- }
- });
當(dāng)您等待一個元素可見時，上面的onWaitTimeout回調(diào)將會被調(diào)用。例如，點擊一個按鈕之后，waitTimeout將被超出。
現(xiàn)在，您可以啟動casper實例并將其指向我們希望爬取的頁面。
- casper.start();
- casper.open("http://techmeme.com");
Casper使用一個可靠地框架來幫助您一步一步地運行所有任務(wù)。對于***步，您將希望使用then函數(shù)。
- casper.then(function() {
- //logic here
- });
- //start your script
- casper.run();
為了使Casper打開網(wǎng)頁并按您的想法運行，您需要調(diào)用run函數(shù)。
檢查網(wǎng)頁以獲取想要的元素
當(dāng)抓取到一個網(wǎng)頁，您可以假設(shè)它具有特定的結(jié)構(gòu)。在您編寫腳本之前，可能已經(jīng)瀏覽過了網(wǎng)頁的源代碼，或者已經(jīng)使用開發(fā)者工具觀察了頁面對特定行為的變化。
所以，讓我們開始于一個簡單地邏輯，使用CasperJS維護系統(tǒng)確保一個特定的元素在繼續(xù)之前處于合適的位置。如果元素不存在，腳本將會停止，但 是至少您將會知道其為何停止。這個維護行為對于觀察您之前抓取頁面的變化是無價的，但是可能會與您之前見到的頁面具有不一樣的結(jié)構(gòu)。
如果您檢查了Techmeme首頁的元素，您將會注意到頭條新聞部分在一個id為,topcol1的div中。
讓我們使用維護功能確保這個元素存在：
- casper.then(function() {
- this.test.assertExists("#topcol1");
如果這個元素不存在，測試（例如我們的腳本）將會停止，否則它將繼續(xù)運行。
您還可以使用waitForSelector函數(shù)來獲得更為細(xì)致的結(jié)果：
- this.waitForSelector("#topcol1",
- function pass () {
- console.log("Continue");
- },
- function fail () {
- this.die("Did not load element... something is wrong");
- }
- );
使用這個函數(shù)的優(yōu)點就是它允許頁面加載元素并一直等待到執(zhí)行。您在初始配置中指定的waitTimeout將會被用于確定失敗前等待多久。
注意：有時，使用CasperJS查找元素可能會出問題。使用capture()函數(shù)截取一個CasperJS看到的頁面的截圖。
this.capture(‘screener.png’);
從頁面中提取內(nèi)容
下面，讓我們看看怎樣從頁面中找出標(biāo)題。首先，找到包含您需要的內(nèi)容的元素，在我們的例子中，為class=ii的div。
CasperJS自帶一個evaluate函數(shù)，可以讓您在頁面中運行JavaScript，并且您還可以讓函數(shù)返回一個值以供進一步處理。
這個JavaScript寫起來并沒有什么不同，您可能注意到，在本例中，我使用的是原始的純DOM方法，而不是jQuery，同樣，如果您愿意，您也可以在evaluate函數(shù)中使用jQuery；
- var links = this.evaluate(function(){
- var results = [];
- var elts = document.getElementsByClassName("ii");
- for(var i = 0; i < elts.length; i++){
- var link = elts[i].getElementsByTagName("a")[0].getAttribute("href");
- var headline = elts[i].firstChild.textContent;
- results.push({link: link, headline: headline});
- }
- return results;
- });
如果您在evaluate函數(shù)中使用console.log語句，它們將會通過remote.message句柄打印到您的控制臺，這將會在下一節(jié)中詳細(xì)介紹。
一旦運行結(jié)束，結(jié)果將會返回給您。您可以將它們寫入文件系統(tǒng)，或者將它們打印到屏幕上：
- console.log("There were " + links.length + " stories");
- for(var i = 0; i < links.length; i++){
- console.log(links[i].headline);
- }
輸出的結(jié)果如：
抓取中的錯誤處理
有時，您運行的JavaScript中可能存在錯誤，或者其對您抓取的頁面的處理存在問題。這些情況中，您可以捕獲錯誤并使用remote.message和page.error事件將其打印到控制臺：
- casper.on('remote.message', function(msg) {
- this.echo('remote message caught: ' + msg);
- });
- casper.on('page.error', function(msg, trace) {
- this.echo('Error: ' + msg, 'ERROR');
- });
- 您同樣還能觀察到即將請求的資源，這些資源的加載使用的是resource.error和resource.received事件：
- casper.on('resource.error', function(msg) {
- this.echo('resource error: ' + msg);
- });
- casper.on('resource.received', function(resource) {
- console.log(resource.url);
- });
了解更多
本文只寫了點關(guān)于使用CasperJS你所能做到的皮毛的東西。該項目的文檔是***的，所以要確保查看過 API ，看看你還可以用它來做些什么。
在本系列的下一篇文章中，我回來看看如何從網(wǎng)頁上下載圖片，而且我也會討論下如何使用構(gòu)建到CasperJS中的文件系統(tǒng)函數(shù)，其使用會受到比Node.js更多的限制。
分享名稱：熱點技術(shù)：使用CasperJS構(gòu)建Web爬蟲
URL地址：http://www.5511xx.com/article/djghccp.html
