Viking | Дата: Среда, 29.04.2015, 05:47 | Сообщение # 1 |
Admin
Группа: Администраторы
Сообщений: 1070
Статус: Offline
| Простой парсинг сайтов с помощью SlimerJS ИЗ ПЕСОЧНИЦЫ Tur1st • 14 января в 11:57 В виду отсутствия хорошего материала по парсингу с помощью скриптового браузера SlimerJS и наличия свободного времени решил написать небольшую статью.
Начало работы
Для того, чтобы начать работать со SlimerJs, необходимо скачать последнюю версию скриптового браузера (я обычно качаю полную версию, в которую включен XulRunner, позволяющий запускать SlimerJS в отсутствие Firefox) для вашей ОС.
Не буду описывать инсталяцию SlimerJS, так как она довольно подробно описана здесь, поэтому сразу перейдем к разбору ситуаций, которые чаще всего могут встретиться при парсинге сайта с динамическм контентом.
Использование
Предположим, что контент сайта загружается аяксом после того, как уже загружена сама страница. Получить динамический контент можно несколькими способами, основной — это написать функцию, которая будет через интервал времени проверять наличие данных. Этот вариант я использовал повсеместно, но если на сайте требовалось совершить много последовательных действий, то кода становилось больше и тем сложнее было его поддерживать. В итоге я стал больше применять паузы во время выполнения, которые упростили задачу:
var webpage = require('webpage').create(); webpage .open('http://example.com') .then(function(){ slimer.wait(3000); // пауза, длительность в миллисекундах var someContent = webpage.evaluate(function () { // после того как динамический контент подгружен, можно его спарсить return document.querySelector("#aDiv").textContent; }); });
Еще одна полезная возможность — это создание событий. Очень просто имитировать набор символов в тексовом поле, что часто требуется при авторизации или регистрации, например:
var webpage = require('webpage').create(); webpage .open('http://example.com') .then(function(){ webpage.evaluate(function () { document.getElementById("input").focus(); }); webpage.sendEvent('keypress', "hello World"); });
Вообще функция senEvent() очень гибкая, подробнее о ней можно прочитать здесь.
Довольно часто возникает ситуация, когда при парсинге на сайте появляется каптча. В этом случаем потребуется сделать скриншот каптчи и отправить его в один из сервисов, которые предоставляют услуги по разгадке каптч.
var webpage = require('webpage').create(); webpage .open('http://example.com') .then(function(){ webpage.clipRect = { top: 14, left: 3, width: 400, height: 300 }; // для использования этой функции нам должны быть известно позиционирование каптчи var screen = webpage.renderBase64('png'); // обычно я кодирую изображение в base64, так его проще передать сторонему сервису var webpage2 = require('webpage').create(); // создаем второе соединени webpage2 .open('http://example2.com') .then(function(){ //...далее думаю уже должно быть понятно });
SlimerJS очень похож на PhantomJS, но самое важное отличие, которое хотелось бы отметить — это окно бразуера во время выполнения SlimerJS. Другими словами, отладка и разработка ведутся проще, чем с фантомом.
Итог
SlimerJS позволяет быстро и просто парсить сложные динамические сайты, которые обычным cUrl спарсить не получается.
|
|
| |