phantomjs因为是无头浏览器可以跑js,所以同样可以跑dom节点,用来进行网页抓取是再好不过了。
比如我们要批量抓取网页 “历史上的今天” 的内容。网站
对dom结构的观察发现,我们只需要取到 .list li a的title值即可。因此我们利用高级选择器构建dom片段
1
2
3
4
5
6
|
var d= ''
var c = document.querySelectorAll( '.list li a' )
var l = c.length;
for ( var i =0;i<l;i++){
d=d+c[i].title+ '\n'
}
|
之后只需要让js代码在phantomjs里跑起来即可~
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
var page = require( 'webpage' ).create();
page.open( 'http://www.todayonhistory.com/' , function (status) { //打开页面
if (status !== 'success' ) {
console.log( 'FAIL to load the address' );
} else {
console.log(page.evaluate( function () {
var d= ''
var c = document.querySelectorAll( '.list li a' )
var l = c.length;
for ( var i =0;i<l;i++){
d=d+c[i].title+ '\n'
}
return d
}))
}
phantom.exit();
});
|
最终我们另存为catch.js,在dos里面执行一下,输出内容到txt文件(也可以用phantomjs的文件api来写)