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:
rush:js;">
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:
rush:bash;">
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 :
rush:plain;">
"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 :
rush: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 :
rush:plain;">
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，谢谢大家对编程之家的支持。