c# - 使用 C# 抓取由 JavaScript 生成的网页

Question

我有一个 Web 浏览器和 Visual Studio 中的一个标签，基本上我想做的是从另一个网页中抓取一个部分。

我尝试使用 WebClient.DownloadString 和 WebClient.DownloadFile，它们都在 JavaScript 加载内容之前为我提供了网页的源代码。我的下一个想法是使用网络浏览器工具，并在页面加载后调用 webBrowser.DocumentText，但这没有用，它仍然为我提供了页面的原始来源。

有没有办法在 JavaScript 加载后抓取页面？

Answer 1

问题是浏览器通常会执行 javascript 并导致更新的 DOM。除非您可以分析 javascript 或拦截它使用的数据，否则您将需要像浏览器一样执行代码。过去我遇到过同样的问题，我使用 selenium 和 PhantomJS 来渲染页面。呈现页面后，我将使用 WebDriver 客户端导航 DOM 并检索我需要的内容，发布 AJAX。

概括地说，这些是步骤:

1. 已安装 Selenium :http://docs.seleniumhq.org/
2. 将 selenium hub 作为一项服务启动
3. 已下载 phantomjs( headless 浏览器，可以执行 javascript):http://phantomjs.org/
4. 在指向 selenium hub 的 webdriver 模式下启动 phantomjs
5. 在我的抓取应用程序中安装了 webdriver 客户端 nuget 包:Install-Package Selenium.WebDriver

以下是 phantomjs 网络驱动程序的示例用法:

var options = new PhantomJSOptions();
options.AddAdditionalCapability("IsJavaScriptEnabled",true);

var driver = new RemoteWebDriver( new URI(Configuration.SeleniumServerHub),
                    options.ToCapabilities(),
                    TimeSpan.FromSeconds(3)
                  );
driver.Url = "http://www.regulations.gov/#!documentDetail;D=APHIS-2013-0013-0083";
driver.Navigate();
//the driver can now provide you with what you need (it will execute the script)
//get the source of the page
var source = driver.PageSource;
//fully navigate the dom
var pathElement = driver.FindElementById("some-id");

有关 selenium、phantomjs 和 webdriver 的更多信息，请访问以下链接:

http://docs.seleniumhq.org/

http://docs.seleniumhq.org/projects/webdriver/

http://phantomjs.org/

编辑:更简单的方法

似乎有一个 phantomjs 的 nuget 包，这样你就不需要集线器了(我使用集群以这种方式进行大量抓取):

安装网络驱动:

Install-Package Selenium.WebDriver

安装嵌入式exe:

Install-Package phantomjs.exe

更新代码:

var driver = new PhantomJSDriver();
driver.Url = "http://www.regulations.gov/#!documentDetail;D=APHIS-2013-0013-0083";
driver.Navigate();
//the driver can now provide you with what you need (it will execute the script)
//get the source of the page
var source = driver.PageSource;
//fully navigate the dom
var pathElement = driver.FindElementById("some-id");