代码之家 › 专栏 › 技术社区 › TomS

在R中使用phantomJS刮取动态加载内容的页面

rvest phantomjs web-scraping angularjs jquery

TomS · 技术社区 · 8 年前

出身背景 我目前正在使用rvest从R的一些网站上抓取产品信息。这适用于除一个网站外的所有网站,其中内容似乎是通过angularJS(?)动态加载的,因此无法通过URL参数等迭代加载(就像我对其他网站所做的那样)。具体url如下:

http://www.hornbach.de/shop/Badarmaturen/Waschtischarmaturen/S3584/artikelliste.html

期望输出 最后,在R中的表格中显示产品信息(例如标签、价格、评级)=>不过,在这个问题上,我完全需要帮助来动态加载和存储网站;我可以自己处理R中的后处理。如果你能把我推向正确的方向,那太好了;也许我下面列出的方法之一是正确的,但我似乎无法将它们转移到指定的网站。

当前方法 我发现phantomJS是一款无头浏览器,afaik应该能够处理这个问题。我对Java脚本几乎一无所知,语法与我更熟悉的语言(R、Matlab、SQL)有很大不同(至少对我来说),我真的很难实现其他地方提出的可能在我的代码中工作的方法。 this example (非常感谢)我使用以下代码从第一个显示的页面中至少检索到了信息:

require(rvest)

## change Phantom.js scrape file
url <- 'http://www.hornbach.de/shop/Badarmaturen/Waschtischarmaturen/S3584/artikelliste.html'

lines <- lines <- readLines("scrape_final.js")
lines[1] <- paste0("var url ='", url ,"';")
writeLines(lines, "scrape_final.js")

## Download website
system("phantomjs scrape_final.js")

### use Rvest to scrape the downloaded website.
web <- read_html("1.html")
content <- html_nodes(web, 'div.paging-indicator')# %>% html_attr('href')
content <- html_text(content) %>% as.data.frame()

以及相应的PhantomJS脚本:

var url ='http://www.hornbach.de/shop/Badarmaturen/Waschtischarmaturen/S3584/artikelliste.html';
var page = new WebPage() 
var fs = require('fs'); 

page.open(url, function (status) { 
         just_wait(); 
}); 


function just_wait() { 
    setTimeout(function() { 
              fs.write('1.html', page.content, 'w'); 
           phantom.exit(); 
    }, 2500); 
}

什么不起作用//研究

Unable to scrape multiple pages using phantomjs in r

单击“下一页”按钮
或者以某种方式注入正确的分页值
1. 单击“下一页”按钮

    var url ='http://www.hornbach.de/shop/Badarmaturen/Waschtischarmaturen/S3584/artikelliste.html';
    var page = require('webpage').create(); 
    var fs = require('fs'); 

    page.open(url, function (status) { 
    age.open(url, function() {
      page.includeJs("http://ajax.googleapis.com/ajax/libs/jquery/1.6.1/jquery.min.js", function() {
        page.evaluate(function() {
          $("paging-btn right").click();
            just_wait(); 
        });
        phantom.exit()
      });

    }); 


    function just_wait() { 
        setTimeout(function() { 
                  fs.write('1.html', page.content, 'w'); 
               phantom.exit(); 
        }, 2500); 
    }

但由于语法不好,可能还有其他原因,这并没有给我带来任何帮助。从R调用这个脚本并不会产生错误,不幸的是,它只运行了很长时间,所以我必须退出它(而工作脚本只需要几秒钟)。

我使用firefox的gadget inspector来检索按钮名称,但这也可能是错误的:

<a class="paging-btn right rel="next" ng-click="goToNextPage()" 
ng-hide="articleData.pageNumber == articleData.pageCount" 
href="javascript:void(0);">right</a>

我试着在这里学习给定的例子 Passing variable into page.evaluate - PhantomJS

其他注释 看起来我只能发布两个链接,所以不幸的是,我无法链接我研究和测试的所有来源。

我很清楚这是一个巨大而混乱的信息,如果你能帮助我改进/更好地组织我的问题,请让我知道。我会尽我所能做出回应,为你提供任何需要帮助的东西。

1 回复 | 直到 8 年前

TomS 8 年前

我将PhantomJS代码分为两部分,以避免出现错误消息。我很有信心,可以先阅读并存储网站,然后点击“下一页”按钮并输出新的url,但不幸的是,如果没有错误消息,这并没有成功。

R代码

   for (i3 in 1:num_prod_pages) {

      system('phantomjs readhtml.js') # return html of current page via PhantomJS

      ### Use Rvest to scrape the downloaded website.

      html_filename <- paste0(as.character(i3), '.html') # file generated in PhantomJS readhtml.js
      web <- read_html(html_filnamee)
      content <- html_nodes(web, 'div.article-pricing') # %>% html_attr('href')
      content <- html_text(content) %>% as.data.frame()

      ### generate URL of next page

      url_i3 <- capture.output(system("phantomjs nextpage.js", intern = TRUE)) %>%
         .[length(.)] %>% # last line of output contains 
         str_sub(str_locate(., 'http')[1], -2) # cut '[1] \' at start and ' \" ' at end

      # Adapt PhantomJS scripts to new url

      lines <- readLines("readhtml.js")
      lines[2] <- paste0("var url ='", url_i3 ,"';")
      lines[11] <- paste0("              fs.write('", as.character(i3), ".html', page.content, 'w');")
      writeLines(lines, "readhtml.js")

      lines <- readLines("nextpage.js")
      lines[2] <- paste0("var url ='", url_i3 ,"';")
      writeLines(lines, "nextpage.js")
   }

PhantomJS代码“readhtml.js” 代码在本地使用当前URL存储网站

var webPage = require('webpage');
var url ='http://www.hornbach.de/shop/Badarmaturen/S476/artikelliste.html';
var fs = require('fs'); 
var page = webPage.create();
var system = require('system');

//page.settings.userAgent = 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:40.0) Gecko/20100101 Firefox/40.0'
page.settings.userAgent = 'Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)'

page.open(url, function(status) {
    if (status === 'success') {
        fs.write('1.html', page.content, 'w'); 
        console.log('htmlfile ready');
        phantom.exit(); 
    }
})

代码单击“下一页”按钮并返回新的URL

var webPage = require('webpage');
var url ='http://www.hornbach.de/shop/Badarmaturen/S476/artikelliste.html';
var fs = require('fs'); 
var page = webPage.create();
var system = require('system');

page.settings.userAgent = 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:40.0) Gecko/20100101 Firefox/40.0';

page.open(url, function(status) {
    if (status === 'success') {
        page.evaluate(function() {
            document.querySelector('a.right:nth-child(3)').click();
        });
        setTimeout(function() {
            var new_url = page.url;
            console.log('URL: ' + new_url);
            phantom.exit();
    }, 2000);
    };
});