Node.JS利用PhantomJs抓取网页入门教程
前言
当想用 nodejs 抓取一些网页 , 我第一反应想到的就是使用 http 模块 , 比如抓取百度首页:
var http = require('http'); var req = http.request('http://www.baidu.com/', function (res) { res.setEncoding('utf8'); res.on('data', function (chunk) { //响应内容 console.log(chunk) }); }); req.end(function () { // console.log('连接关闭'); });
但是 , 这仅限于简单地抓取 html , 有很大的局限性。
假如你想要的内容不在 html 里 , 而是 js 动态生成的 , 那 http 模块就不能满足你的需求了 ;
假如网页使 gbk 编码的 , 上述方法也不太好用了。
假如是 https 上述方法也要改一改了。
我渴望一个更强大 , 但使用起来也不麻烦的工具。
PhantomJs
用 PhantomJs 就可以解决上述问题。
PhantomJs 就是一个没有界面的浏览器。
安装
使用 cnpm 安装 PhantomJS 即可:
cnpm install phantomjs --save-dev
这里我没有选择全局安装 , 因为全局安装的话 , 别人使用我的源码的时候 , 不知道还有这么一个依赖 , 项目就跑不起来了。
如果你也选择局部安装 , 那么你需要在 package.json 里的 scripts 中加入一段 :
"phantomjs":"node_modules/.bin/phantomjs"
等下会用到这个的 , 到这里 , 安装算完成了。
写代码
我们新建一个文件 , 名字随意 , 这里我新建一个 main.js :
var webpage = require('webpage'); var page = webpage.create(); page.open('http://www.baidu.com/', function (status) { var data; if (status === 'fail') { console.log('open page fail!'); } else { console.log(page.content);//打印出HTML内容 } page.close();//关闭网页 phantom.exit();//退出phantomjs命令行 });
这里有个 webpage 模块 , 我们刚才明明没有这个模块 , 为什么能引用这个模块 ???
当然不能引用 , 假如我们使用 node main.js
来跑这段代码 , 是跑不起来的 , 应该这样运行这段代码 :
npm run phantomjs main.js
这里的 npm run phantomjs
对应的就是前面我们在 package.json 里加入的那段命令 , 很方便吧 , 几乎和 http 模块一样方便。
page.content 就是 html 代码了 , 这个 page 对象还有很多的属性 , 功能更强大。
到这里 , 你就已经算入门了 , 想知道更多可以去 phantomjs 官网看看文档了。
总结
以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作能带来一定的帮助,如果有疑问大家可以留言交流,谢谢大家对狼蚁SEO的支持。