使用 PhantomJS 和 node.js 保存和渲染网页答案

【问题标题】：Save and render a webpage with PhantomJS and node.js使用 PhantomJS 和 node.js 保存和渲染网页
【发布时间】：2012-04-15 13:07:00
【问题描述】：

我正在寻找一个请求网页，等待 JavaScript 呈现（JavaScript 修改 DOM），然后抓取页面的 HTML 的示例。

这应该是一个简单的例子，带有明显的 PhantomJS 用例。我找不到一个像样的例子，文档似乎都是关于命令行使用的。

【问题讨论】：

您是在做这个客户端还是服务器端？
@DeclanCook 服务器端我想？客户端会要求用户安装幻像吗？如果我理解正确，这是行不通的。谢谢
拥有 html 后，您打算用它做什么？试图让我了解你想要实现的目标。 Phantomjs 有 dom 操作，请参阅 code.google.com/p/phantomjs/wiki/QuickStart#DOM_Manipulation 然后你打算把它发送到某个地方吗？
@DeclanCook 用例正在为搜索引擎创建 javascript 应用程序视图的缓存静态 html 副本。我希望能够以编程方式运行我的站点地图，并保存每个链接的 html 版本。
@DeclanCook 是的，链接页面是我需要的那种东西，我只是想要一个如何从节点做的例子。谢谢

标签： javascript html node.js web-scraping phantomjs

【解决方案1】：

使用phantomjs-node 的 v2，在处理完 HTML 后打印 HTML 非常容易。

var phantom = require('phantom');

phantom.create().then(function(ph) {
  ph.createPage().then(function(page) {
    page.open('https://stackoverflow.com/').then(function(status) {
      console.log(status);
      page.property('content').then(function(content) {
        console.log(content);
        page.close();
        ph.exit();
      });
    });
  });
});

这将显示在浏览器中呈现的输出。

2019 年编辑：

你可以使用async/await:

const phantom = require('phantom');

(async function() {
  const instance = await phantom.create();
  const page = await instance.createPage();
  await page.on('onResourceRequested', function(requestData) {
    console.info('Requesting', requestData.url);
  });

  const status = await page.open('https://stackoverflow.com/');
  const content = await page.property('content');
  console.log(content);

  await instance.exit();
})();

或者如果你只是想测试，你可以使用npx

npx phantom@latest https://stackoverflow.com/

【讨论】：

是否允许在给定字符串的情况下呈现 HTML？

【解决方案2】：

从你的 cmets 来看，我猜你有 2 个选择

尝试找一个phantomjs节点模块-https://github.com/amir20/phantomjs-node
将 phantomjs 作为节点内的子进程运行 - http://nodejs.org/api/child_process.html

编辑：

似乎 phantomjs 建议子进程作为与节点交互的一种方式，请参阅常见问题解答 - http://code.google.com/p/phantomjs/wiki/FAQ

编辑：

用于获取页面 HTML 标记的示例 Phantomjs 脚本：

var page = require('webpage').create();  
page.open('http://www.google.com', function (status) {
    if (status !== 'success') {
        console.log('Unable to access network');
    } else {
        var p = page.evaluate(function () {
            return document.getElementsByTagName('html')[0].innerHTML
        });
        console.log(p);
    }
    phantom.exit();
});

【讨论】：

你能举个例子吗？抓取页面，运行 javascript，获取 html？
你可以简单地使用'page.content'，不需要评估任何东西。
这很好，但是......在使用 node 包装的脚本中使用 require('webpage') 很困难，因为网页模块在 node 中未定义，它处于幻像中。有人有什么想法吗？ “网页”是节点和幻象的通用模块吗？或者我只能在幻影上下文中使用 require 吗？
@AdamWaite 评估是“沙盒”，无法执行要求。您必须将闭包中的所有内容传递给 evaluate()。
有没有人能够同时运行两个子进程进行 phantomjs 调用？

【解决方案3】：

这是一个旧版本，我使用运行 node、express 和 phantomjs 将页面保存为 .png。您可以相当快地对其进行调整以获取 html。

https://github.com/wehrhaus/sitescrape.git

【讨论】：

仅供参考，如果您要使用链接来提供答案，最好包含足够的信息，以防万一链接在未来某个时间点断开，您的答案不会变得毫无用处。
保存为 png 你只需要 page.render('file.png')

【解决方案4】：

为什么不直接使用呢？

var page = require('webpage').create();
page.open("http://example.com", function (status)
{
    if (status !== 'success') 
    {
        console.log('FAIL to load the address');            
    } 
    else 
    {
        console.log('Success in fetching the page');
        console.log(page.content);
    }
    phantom.exit();
});

【讨论】：

【解决方案5】：

如果有人偶然发现这个问题，请延迟更新：

我的一位同事在 GitHub 上开发的一个项目正是旨在帮助您做到这一点：https://github.com/vmeurisse/phantomCrawl。

它还有些年轻，它肯定缺少一些文档，但提供的示例应该有助于进行基本的爬取。

【讨论】：

【解决方案6】：

我过去使用过两种不同的方法，包括查询 Declan 提到的 DOM 的 page.evaluate() 方法。我从网页传递信息的另一种方法是从那里将其吐出到 console.log()，并在 phantomjs 脚本中使用：

page.onConsoleMessage = function (msg, line, source) {
  console.log('console [' +source +':' +line +']> ' +msg);
}

我也可能会在 onConsoleMessage 中捕获变量 msg 并搜索一些封装数据。取决于你想如何使用输出。

然后在 Nodejs 脚本中，您必须扫描 Phantomjs 脚本的输出：

var yourfunc = function(...params...) {
  var phantom = spawn('phantomjs', [...args]);
  phantom.stdout.setEncoding('utf8');
  phantom.stdout.on('data', function(data) {
    //parse or echo data
    var str_phantom_output = data.toString();
    // The above will get triggered one or more times, so you'll need to
    // add code to parse for whatever info you're expecting from the browser
  });
  phantom.stderr.on('data', function(data) {
    // do something with error data
  });
  phantom.on('exit', function(code) {
    if (code !== 0) {
      // console.log('phantomjs exited with code ' +code);
    } else {
      // clean exit: do something else such as a passed-in callback
    }
  });
}

希望对一些人有所帮助。

【讨论】：