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:
varhttp=require('http'); varreq=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:
cnpminstallphantomjs--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:
varwebpage=require('webpage'); varpage=webpage.create(); page.open('http://www.baidu.com/',function(status){ vardata; if(status==='fail'){ console.log('openpagefail!'); }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nodemain.js来跑这段代码,是跑不起来的,应该这样运行这段代码:
npmrunphantomjsmain.js
这里的npmrunphantomjs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,谢谢大家对毛票票的支持。