作者:link
PhantomJS is a headless WebKit scriptable with a JavaScript API. It has fast and native support for various web standards: DOM handling, CSS selector, JSON, Canvas, and SVG.(http://phantomjs.org/)
PhantomJS 是一个无界面的webkit内核浏览器,你可以把它当作一个没有界面的 Safari。
目前 PhantomJS 的最新版本的2.0,官方文档中有提到说:如果在使用老版本时碰到一些难解的 bug ,可以升级到最新版试试。
直接下载 phantomjs-2.0.0-windows.zip ,并解压,将 bin 文件夹中的可执行文件phantomjs.exe的路径添加到环境变量后(可能需要重启机器才能生效),就可以在命令行环境(cmd 或 cygwin )中使用 phantomjs 命令执行 js 文件了。
可以在 Bitbucket 下载已经编译好的二进制文件安装包,不过目前 Linux 提供到 PhantomJS 1.9.8的安装包,最新的 PhantomJS 2.0还没有发布。
安装方式:
下载phantomjs-1.9.8-linux-x86_64.tar.bz2
进入安装目录,解压二进制文件
创建软链接mysql指向解压出来的文件夹,或将解压出来的文件夹重命名为phantomjs:> ln -sf phantomjs-1.9.8-linux-x86_64/bin/phantomjs phantomjs编译源码的方式由于 WebKit 模块中有数千个文件,因此由源码编译 PhantomJS 会花费很长的时间,文档上说,开四个并行的进程进行编译工作,需要超过30分钟的时间,因此官方文档推荐直接下载和安装二进制文件。具体的安装方法,这里就不再赘述,大家可以到官方文档上查看。是否安装成功我们可以使用下面的命令来查看 PhantomJS 是否安装成功:> phantomjs -v命令运行 phantomjs xxx.js即可执行一个 PhantomJS 程序。webpage 模块webpage 是 PhantomJS 的核心模块,你可以通过以下方式,获得一个 webpage 模块的实例:var webPage = require("webpage"),
page = webPage.create(); open()打开一个 url 链接,并加载对应的页面,一旦页面加载完成,就会触发回调,你也可以使用<code>page.onLoadFinished</code>方法来监听页面是否加载完成。下面,我们来用 open() 方法打开腾讯课堂:var page = require("webpage").create;
page.open("http://ke.qq.com", function(status) {
if(status !== "success") {
console.log("open fail!");
}
phantom.exit();
});上面的代码中,open() 方法接受了两个参数。第一个参数是要打开网页的 url<code>(要记得加协议头哦!)</code>,默认使用 GET 方法打开,第二个参数是回调参数,网页加载完成后该函数将会执行,它的参数<code>status</code>表示网页是否打开成功,打开成功就是<code>success</code>,否则就是<code>fail</code>。要注意的是,只要收到服务器返回的结果,<code>status</code>参数就是<code>success</code>,即使服务器返回的是404或500错误。我们也可以使用其他的http方法打开页面。var webPage = require("webpage");
var page = webPage.create();
var postBody = "user=username&password=password";
page.open("http://www.google.com/", "POST", postBody, function(status) {
console.log("Status: " + status);
// Do other things here...
});上面的代码是官方文档的事例,使用POST方法向服务器发送数据。open方法的第二个参数用来指定HTTP方法,第三个参数用来指定该方法所要使用的数据。从PhantomJS 1.9开始,我们还可以使用json对象来对http请求进行更详细的配置。var webPage = require('webpage');
var settings = {
operation: "POST",
encoding: "utf8",
headers: {
"Content-Type": "application/json"
},
data: JSON.stringify({
some: "data",
another: ["custom", "data"]
})
};
page.open('http://your.custom.api', settings, function(status) {
console.log('Status: ' + status);
});evaluate()在打开一个网页后,我们往往有对其进行操作的需求,例如模拟点击登陆按钮、获取某个DOM元素等等,也就是需要在页面中执行javascript代码,这时候我们就需要使用到evaluate()方法。// 获取打开页面的title
var page = require('webpage').create();
page.open(url, function(status) {
var title = page.evaluate(function() {
return document.title;
});
console.log('Page title is ' + title);
});由于因为evaluate()方法相当于一个沙盒,在其中是无法访问evaluate()之外的变量的。那如何将我想要获取的dom元素的id传进evaluate呢?从PhantomJS 1.6开始,我们可以将外部变量以如下的方式传给evaluate内部,需要注意的是,能传入evaluate方法内部的参数只能是简单的基本类型,例如数值、字符串、json对象等能被JSON序列化的类型,而无法接受更复杂的对象,它的返回值也同样如此。page.open('https://item.taobao.com/item.htm?id=520115087331', function(status) {
var domId = "J_SellCounter"
var sellCounter = page.evaluate(function(id) {
return document.getElementById(id).innerText;
}, domId);
console.log(sellCounter);
});由于open()方法打开的网页内部的 console 语句,和 evaluate() 方法中的 console 语句都不会执行,给我们开发调试带来了不便。这时可以采用 onConsoleMessage 回调函数,来打印出上面两种情况中的 console 语句中的信息:var webPage = require('webpage');
page.onConsoleMessage = function(msg, lineNum, sourceId) {
console.log('CONSOLE: ' + msg + ' (from line #' + lineNum + ' in "' + sourceId + '")');
};其中 msg 是需要打印的信息,lineNum 和 sourceId 是 console.log 在文件中的行号以及这个文件对应的标识 id。includeJs()可以使用 includeJs()方法加载外部脚本,例如 jquery。var webPage = require('webpage');
page.open('http://www.example.com', function(status) {
page.includeJs('http://ajax.googleapis.com/ajax/libs/jquery/1.8.2/jquery.min.js', function() {
page.evaluate(function() {
// jQuery is loaded, now manipulate the DOM
var $loginForm = $('form#login');
$loginForm.find('input[name="username"]').value('phantomjs');
$loginForm.find('input[name="password"]').value('c45p3r');
$('#loginBtn').click();
})注意,由于<code>includeJs</code>是异步加载脚本,所以<code>phantom.exit()</code>需要放在<code>page.includeJs()</code>的回调函数中,否则phantomjs进程会过早退出。render()render() 可以将打开的网页截图并保存成本地图片,可以将指定的图片文件名作为参数传入,render 方法可以根据文件名的后缀将图片保存成对应的格式。目前支持<code>PNG</code>、<code>GIF</code>、<code>JPEG</code>、<code>PDF</code>四种图片格式。var webPage = require('webpage');
page.viewportSize = { width: 1920, height: 1080 };
page.open("http://www.google.com", function start(status) {
page.render('google_home.jpeg', {format: 'jpeg', quality: '100'});
});该方法的第一个参数是保存的文件名,第二个可选参数是一个 JSON 对象,format 指定图片格式, quality 指定0-100区间内的图片质量,必须是整数。onResourceRequested当页面去请求一个资源时,会触发 onResourceRequested() 方法的回调函数。回调函数接受两个参数,第一个参数<code>requestData</code>是这个HTTP请求的元数据对象,包括以下属性:
id: 所请求资源的id号,这个应该是phantomjs给标识的。
method: 所使用的HTTP方法(GET/POST/PUT/DELETE等)。
url: 所请求资源的URL
time: 包含请求该资源时间的一个Date对象。
headers: 该请求的http请求头中的信息数组。
第二个参数<code>networkRequest</code>包含以下方法:
abort(): 终止当前的网络请求,这会导致调用onResourceError回调函数。
changeUrl(newUrl):改变当前网络请求的URL。
setHeader(key, value):设置HTTP头信息。
onResourceReceived属性用于指定一个回调函数,当网页收到所请求的资源时,就会执行该回调函数。回调函数只有一个参数,就是所请求资源的服务器发来的HTTP response的元数据对象,包括以下字段。
id:所请求的资源编号,此编号phantomjs标识。
url:所请求的资源的URL
time:包含HTTP回应时间的Date对象
headers:响应的HTTP头信息数组
bodySize:解压缩后的收到的内容大小
contentType:接到的内容种类
redirectURL:重定向URL(如果有的话)
stage:对于多数据块的HTTP回应,头一个数据块为start,最后一个数据块为end。
status:HTTP状态码,成功时为200。
statusText:HTTP状态信息,比如OK。
需要注意的是,该方法收到的response对象是没有response.body的具体内容的。
可以利用正则表达式,来筛选出我们想要操作的一些响应资源。比如我想从淘宝教育的课程详情页跳转到购买页(在淘宝网中),可以从淘宝同学请求的资源url中筛选出带淘宝网商品详情页的商品id,然后用这个淘宝网商品id拼接成一个淘宝网的商品详情页url,再次使用open()方法打开这个url,就可以跳转到该课程的购买页中。
相信大家都知道爬虫的基本方式无非是抓取页面中的 url,然后分析;但是页面中的 url 也些是静态的,有些事通过js动态生成的,故爬虫也分抓静及抓动之分。
因为淘宝商品详情页的交易量是异步拉取的,在异步数据还没有返回时,页面上交易量那一栏只是一个无意义的“-”,如图:
![](https://img.laitimes.com/img/_0nNw4CM6IyYiwiM6ICdiwiImVEc2BlVrtEZv1SL6R1ZyZGVM50Uw1UbrpWbG9CXt92Yu4GZkV3bsNmLix2ZuAjeuETbvNmL5tmezR3Nvw1LcpDc0RHaiojIsJye.jpg)
当异步数据返回后,才会显示出真正的交易量:
因此,
win7上执行命令:
win7上得到了交易量<code>(由于是打开https协议头的网页,所以执行js文件时,需要添加"--ssl-protocol=any"参数)</code>
PhantomJS是一个阉割版的webkit,不支持flash、webGL、video/audio、css 3-d,phontomjs不想背负操作系统强相关的特性,跨平台比较困难。
如果使用Page模块的onResourceReceived()方法监听页面收到的请求资源,是无法得到该资源的response.body的,这也是目前PhantomJS最受开发者吐槽的点之一。
原文链接:http://ivweb.io/topic/560b402ac2317a8c3e08621c
相关推荐
包学会之浅入浅出Vue.js:开学篇
关于javascript错误捕获
如何从0到1搭建个人站点