使用 CasperJS 構建 Web 爬蟲

oschina發表於2016-02-26

從你的應用中收集資料有時候可能有點困難和艱辛。可能是缺少一個必須的API,或者是有太多的資料需要處理。這時候你就需要藉助於web抓取。

不用說了,這可能是個法律雷區,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容,例如Import.io,但是有時這些工具並不能完全滿足你的需要。又或者,像我一樣,充滿好奇心,希望深入地瞭解web抓取。

挑戰

讓我們從一個簡單地挑戰——網路爬蟲開始,讓這個爬蟲爬取Techmeme,並獲得一個當天熱門新聞列表!

注意: 在這裡我將會使用DZone,但在獲取頁面時會出現問題。後面會詳細說明這個問題。

機器設定

您只需要做很少的工作來完成安裝。我假設您已經安裝了Node.js(我的意思是誰沒有安裝呢!)。儘管我們並不直接使用PhantomJS,但是您依然需要安裝它。版本2.0.1目前已經可以使用了——您可以從其官網下載或使用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

下載完成之後,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頁處理API。儘管它是為網頁測試設計的。與PhantomJS相同,它具有豐富的功能使其也非常適合於抓取內容。

CasperJS允許我們編寫JavaScript指令碼。您可以通過在終端中輸入casperjs以測試其是否正確安裝並加入到PATH中。

使用 CasperJS 構建 Web 爬蟲

編寫指令碼

下面我們將編寫一個新的JavaScript指令碼檔案。在我的例子中,我稱其為index.js。您需要做的第一件事就是在您的程式碼中建立一個casper例項。您還需要加入依賴的模組並向其傳遞一些基本引數。

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 **');
    }
});

當您等待一個元素可見時,上面的onWaitTimeout回撥將會被呼叫。例如,點選一個按鈕之後,waitTimeout將被超出。

現在,您可以啟動casper例項並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執行所有任務。對於第一步,您將希望使用then函式。

casper.then(function() {
  //logic here
});
//start your script
casper.run();

為了使Casper開啟網頁並按您的想法執行,您需要呼叫run函式。

檢查網頁以獲取想要的元素

當抓取到一個網頁,您可以假設它具有特定的結構。在您編寫指令碼之前,可能已經瀏覽過了網頁的原始碼,或者已經使用開發者工具觀察了頁面對特定行為的變化。

所以,讓我們開始於一個簡單地邏輯,使用CasperJS維護系統確保一個特定的元素在繼續之前處於合適的位置。如果元素不存在,指令碼將會停止,但是至少您將會知道其為何停止。這個維護行為對於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構。

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。

使用 CasperJS 構建 Web 爬蟲

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(例如我們的指令碼)將會停止,否則它將繼續執行。

您還可以使用waitForSelector函式來獲得更為細緻的結果:

this.waitForSelector("#topcol1",
    function pass () {
       console.log("Continue");
    },
    function fail () {
        this.die("Did not load element... something is wrong");
    }
);

使用這個函式的優點就是它允許頁面載入元素並一直等待到執行。您在初始配置中指定的waitTimeout將會被用於確定失敗前等待多久。

注意:有時,使用CasperJS查詢元素可能會出問題。使用capture()函式擷取一個CasperJS看到的頁面的截圖。

this.capture(‘screener.png’);

從頁面中提取內容

下面,讓我們看看怎樣從頁面中找出標題。首先,找到包含您需要的內容的元素,在我們的例子中,為class=ii的div。

CasperJS自帶一個evaluate函式,可以讓您在頁面中執行JavaScript,並且您還可以讓函式返回一個值以供進一步處理。

這個JavaScript寫起來並沒有什麼不同,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,如果您願意,您也可以在evaluate函式中使用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函式中使用console.log語句,它們將會通過remote.message控制程式碼列印到您的控制檯,這將會在下一節中詳細介紹。

一旦執行結束,結果將會返回給您。您可以將它們寫入檔案系統,或者將它們列印到螢幕上:

console.log("There were "  + links.length + " stories");

for(var i = 0; i < links.length; i++){
console.log(links[i].headline);
}

輸出的結果如:

使用 CasperJS 構建 Web 爬蟲

抓取中的錯誤處理

有時,您執行的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,您可以捕獲錯誤並使用remote.message和page.error事件將其列印到控制檯:

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,這些資源的載入使用的是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);
});

瞭解更多

本文只寫了點關於使用CasperJS你所能做到的皮毛的東西。該專案的文件是完美的,所以要確保檢視過 API ,看看你還可以用它來做些什麼。

在本系列的下一篇文章中,我回來看看如何從網頁上下載圖片,而且我也會討論下如何使用構建到CasperJS中的檔案系統函式,其使用會受到比Node.js更多的限制。

相關文章