我想做 this site 的网页抓取。 我已经看到 API 可用,但是正如 duraid 在我的 previous question 中所建议的那样,不建议使用它们。
所以我尝试使用 Node.js
和 Phantom.js
与 Phantom
。
这是我的代码:
var phantom = require('phantom');
// object of methods
var methods = {};
var loadInProgress = false;
var url = 'http://data.un.org/Data.aspx?q=population&d=PopDiv&f=variableID%3A12';
methods.download = async function(req, res) {
const instance = await phantom.create();
const page = await instance.createPage();
await page.on('onResourceRequested', function(requestData) {
console.info('Requesting', requestData.url);
});
await page.on('onConsoleMessage', function(msg) {
console.info(msg);
});
await page.on('onLoadStarted', function() {
loadInProgress = true;
console.log('Load started...');
});
await page.on('onLoadFinished', function() {
loadInProgress = false;
console.log('Load end');
});
const status = await page.open(url);
console.log('STATUS:', status);
const content = await page.property('content');
console.log('CONTENT:', content);
// submit
await page.evaluate(function() {
document.getElementById('crID%3a250').value = 'crID%3a250'; // France
document.getElementById('timeID%3a79').value = 'timeID%3a79'; // 2015
document.getElementById('varID%3a2').value = 'varID%3a2'; // Medium
document.getElementById('ctl00_main_filters_anchorApplyBottom').submit(); // submit button
});
var result = await page.evaluate(function() {
return document.querySelectorAll('html')[0].outerHTML;
});
console.log('RESULT:', result);
await instance.exit();
};
module.exports = methods;
(他们如何选择更多国家和更多年份?)
我尝试选择法国作为国家或地区,2015作为年份,中作为变体。
所以crID%3a250
是元素的id:
<input type="checkbox" id="crID%3a250" value="crID%3a250" name="France" />
<label for="crID%3a250">France</label><br />
timeID%3a79
是元素的 id:
<input type="checkbox" id="timeID%3a79" value="timeID%3a79" name="2015" />
<label for="timeID%3a79">2015</label><br />
varID%3a2
是元素的 id:
<input type="checkbox" id="varID%3a2" value="varID%3a2" name="Medium" />
<label for="varID%3a2">Medium</label><br />
然后ctl00_main_filters_anchorApplyBottom
是按钮元素的id:
<div class="All">
<img src="_Images/IconUpdateResults.png" alt="Update" width="11px" height="11px" title="Apply filters" /> <a href="javascript:;" id="ctl00_main_filters_anchorApplyBottom" title="Apply filters" onclick="ApplyFilters(SendFilterRequest);">Apply Filters</a>
</div>
但是我得到的是网页本身(HTML 格式),而不是我感兴趣的数据。 所以就好像我没有选择任何参数一样。为什么?
<小时/>编辑1
根据@Vaviloff 的建议,我尝试更改代码,但没有成功。 我的服务器端语言是 Node.js。
使用Phantom
我修改了如下代码:
methods.download = async function(req, res) {
const instance = await phantom.create();
const page = await instance.createPage();
await page.on('onResourceRequested', function(requestData) {
console.log('Requesting', requestData.url);
});
await page.on('onConsoleMessage', function(msg) {
console.log(msg);
});
const status = await page.open(url);
console.log('\n\nSTATUS:', status);
// submit
await page.evaluate(function() {
var countries = {
'Albania': 'crID%3a8',
'Austria': 'crID%3a40',
'Belgium': 'crID%3a56',
'Bulgaria': 'crID%3a100',
'Croatia': 'crID%3a191',
'Cyprus': 'crID%3a196',
'Denmark': 'crID%3a208',
'Estonia': 'crID%3a233',
'Finland': 'crID%3a246',
'France': 'crID%3a250',
'Germany': 'crID%3a276',
'Greece': 'crID%3a300',
'Iceland': 'crID%3a352',
'Ireland': 'crID%3a372',
'Italy': 'crID%3a380',
'Latvia': 'crID%3a428',
'Netherlands': 'crID%3a528',
'Norway': 'crID%3a578',
'Poland': 'crID%3a616',
'Portugal': 'crID%3a620',
'Romania': 'crID%3a642',
'Slovakia': 'crID%3a703',
'Slovenia': 'crID%3a705',
'Spain': 'crID%3a724',
'Sweden': 'crID%3a752',
'Switzerland': 'crID%3a756',
'United Kingdom': 'crID%3a826'
};
// 2018 - 1980
var years = ['timeID%3a83', 'timeID%3a82', 'timeID%3a81', 'timeID%3a79', 'timeID%3a78', 'timeID%3a77', 'timeID%3a76', 'timeID%3a75', 'timeID%3a73', 'timeID%3a72', 'timeID%3a71', 'timeID%3a70', 'timeID%3a69', 'timeID%3a67', 'timeID%3a66', 'timeID%3a65', 'timeID%3a64', 'timeID%3a63', 'timeID%3a61', 'timeID%3a60', 'timeID%3a59', 'timeID%3a58', 'timeID%3a57', 'timeID%3a55', 'timeID%3a54', 'timeID%3a53', 'timeID%3a52', 'timeID%3a51', 'timeID%3a49', 'timeID%3a48', 'timeID%3a47', 'timeID%3a46', 'timeID%3a45', 'timeID%3a43', 'timeID%3a42', 'timeID%3a41', 'timeID%3a40', 'timeID%3a39', 'timeID%3a37'];
// select countries
for(var c in countries) {
document.getElementById(countries[c]).setAttribute('checked', true);
}
// select years
for(var y in years) {
document.getElementById(years[y]).setAttribute('checked', true);
}
// select variants
document.getElementById('varID%3a2').setAttribute('checked', true); // medium
// click button
document.getElementById('ctl00_main_filters_anchorApplyBottom').click();
});
console.log('\nWaiting 1.5 seconds...');
await timeout(1500);
// get only the table contents
var result = await page.evaluate(function() {
return document.querySelectorAll('.DataContainer table')[0].outerHTML;
});
console.log('\n\nRESULT:', result);
elaborateResult(result);
await instance.exit();
};
function elaborateResult(res) {
var el = document.createElement('html'); // ** ERROR HERE **
el.innerHTML = result;
console.log('\n\nTD ELEMENTS:', el.getElementsByTagName('td'));
//var obj = utilFunc.createJsonObjectPop(year, country, population);
//console.log(obj);
}
有两个错误:
result
仅包含结果第一页上的值,但通过所做的选择,您会获得 22 页的结果,我不明白如何获取我感兴趣的所有值并将它们链接到变量result
中。- 假设已经解决了第 (1) 点中的问题,现在我应该详细说明获得的结果并创建一个如下所示的对象:
var date = [{year: 2018,country:'阿尔巴尼亚',population:2934.363},{year:2017,country:'Albania',population:2930.187},...,{year:1980,country:'United Kingdom',population:56265.475}]
这就是elaborateResult(res)
函数应该做的事情(当然,该函数并不完整,我必须完成它,但我在第一行收到错误),但我收到错误:
ReferenceError: document is not defined
因此我改变了策略,尝试不使用 Phantom
而是使用正常的请求
:
var options = {
uri: 'http://data.un.org/Handlers/DataHandler.ashx?Service=query&Anchor=variableID%3a12&Applied=crID%3a8&crID%3a40;timeID%3a79&DataMartId=PopDiv&UserQuery=population&c=2,4,6,7&s=_crEngNameOrderBy:asc,_timeEngNameOrderBy:desc,_varEngNameOrderBy:asc&RequestId=302',
transform: function(body) {
return cheerio.load(body);
}
};
methods.download = async function(req, res) {
request(options)
.then(function($) {
console.log('\n\nTHEN: ', $);
})
.catch(function(err) {
console.log('Error', err.stack());
});
}
如果我运行这段代码,我会得到:
THEN: function (selector, context, r, opts) {
if (!(this instanceof initialize)) {
return new initialize(selector, context, r, opts);
}
opts = _.defaults(opts || {}, options);
return Cheerio.call(this, selector, context, r || root, opts);
}
在这种情况下,我还有其他问题。
- 我不知道如何构建网址。
在上面的示例中,我选择阿尔巴尼亚 (
crID% 3a8
) 和奥地利 (crID% 3a40
) 以及 2015 年作为年份 (timeID% 3a79
)。 然而,如果我访问刚刚建立的链接,我会得到 2100 年至 2095 年阿尔巴尼亚的数据。 - 我不知道如何选择年份、如何选择变体或如何更改页面。
我觉得有点愚蠢,但我无法得到我想要的......我被困住了。 非常欢迎帮助!
最佳答案
您的脚本存在多个问题,导致无法成功抓取。
要选中复选框,您无需再次设置其值(它已在 HTML 中设置!),而是设置其 checked
属性为true:
document.getElementById('crID%3a250').setAttribute("checked", true); // France
提交表单的按钮是一个超链接<a>
其中没有 submit
方法,应该单击它(代码中甚至有 onClick
函数)
document.getElementById('ctl00_main_filters_anchorApplyBottom').click(); // submit the form
**搜索请求**通过ajax发送并需要时间才能完成,因此您的脚本在尝试获取数据之前应至少等待一秒钟。我将在下面的完整工作代码中展示如何等待。
下一步,您可能只获取表格数据,无需浏览所有 HTML:
var result = await page.evaluate(function() {
return document.querySelectorAll('.DataContainer table')[0].outerHTML;
});
这是脚本的稍微精简版本,已纠正问题:
var phantom = require('phantom');
var url = 'http://data.un.org/Data.aspx?q=population&d=PopDiv&f=variableID%3A12';
// A promise to wait for n of milliseconds
const timeout = ms => new Promise(resolve => setTimeout(resolve, ms));
(async function(req, res) {
const instance = await phantom.create();
const page = await instance.createPage();
await page.on('onResourceRequested', function(requestData) {
console.info('Requesting', requestData.url);
});
await page.on('onConsoleMessage', function(msg) {
console.info(msg);
});
const status = await page.open(url);
await console.log('STATUS:', status);
// submit
await page.evaluate(function() {
document.getElementById('crID%3a250').setAttribute("checked", true); // France
document.getElementById('timeID%3a79').setAttribute("checked", true); // 2015
document.getElementById('varID%3a2').setAttribute("checked", true); // Medium
document.getElementById('ctl00_main_filters_anchorApplyBottom').click(); // click submit button
});
console.log('Waiting 1.5 seconds..');
await timeout(1500);
// Get only the table contents
var result = await page.evaluate(function() {
return document.querySelectorAll('.DataContainer table')[0].outerHTML;
});
await console.log('RESULT:', result);
await instance.exit();
})();
<小时/>
最后但并非最不重要的观察是,您可以简单地尝试重播表单发出的 ajax 请求,并发现 the URL of search request当刚刚在另一个选项卡中打开时,它本身就可以很好地工作:
您甚至不需要 headless 浏览器来获取它,只需 cUrl/请求和处理即可。这种情况在网站上经常发生,因此在抓取之前检查浏览器开发工具中的网络选项卡非常有用。
更新
如果结果太多,分散在多个页面上,则请求中还需要使用一个参数:Page
:
data.un.org/Handlers/DataHandler.ashx?Service=page&Page=3&DataFilter=variableID:12&DataMartId=PopDiv&UserQuery=population&c=2,4,6,7&s=_crEngNameOrderBy:asc,_timeEngNameOrderBy:desc,_varEngNameOrderBy:asc&RequestId=461
关于node.js - 使用 Phantom 抓取表单提交信息,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49710545/