C# .NET：抓取动态 (JS) 网站

Question

经过几个小时的失败，我来到了这里。我需要抓取一个动态生成的网页（使用 Vue.JS 制作，但我不想分享链接）。

我尝试了多种方法（1、2、3）。它们都不适用于此网页。

最有希望的解决方案是使用 Selenium 和 PhantomJS。我这样尝试过，但我不确定为什么它甚至不适用于 Google：

private void button1_Click(object sender, EventArgs e) {
        PhantomJSDriverService service = PhantomJSDriverService.CreateDefaultService();
        service.IgnoreSslErrors = true;
        service.LoadImages = false;
        service.ProxyType = "none";

        var driver = new PhantomJSDriver(service); // I also tried: new PhantomJSDriver();
        driver.Manage().Timeouts().PageLoad = TimeSpan.FromSeconds(10);
        driver.Url = "https://google.com";
        driver.Navigate();

        var source = driver.PageSource;
        textBox1.AppendText(source);
}

没用：

我也尝试过使用 WebBrowser 控件，但页面从未完全加载：

(编辑： 我发现 WebBrowser 只是实例化 IE，在尝试在独立的 IE 浏览器中打开目标网站后，网页也永远不会完全加载，所以看到相同的行为是有意义的在 WebView 中。我认为由于这个事实，我必须使用 Selenium&PhantomJS。）

当然这不应该那么复杂。怎么做才合适？

Answer 1

如果您需要抓取网站，您可以使用 ScrapySharp 抓取框架。您可以将其作为 nuget 添加到项目中。 https://www.nuget.org/packages/ScrapySharp/

安装包 ScrapySharp -Version 2.6.2

它有许多有用的属性来访问页面上的不同元素。例如要访问页面的整个 HTML，您可以使用以下内容：

        ScrapingBrowser Browser = new ScrapingBrowser();
        WebPage PageResult = Browser.NavigateToPage(new Uri("http://www.example-site.com"));
        HtmlNode rawHTML = PageResult.Html;
        Console.WriteLine(rawHTML.InnerHtml);
        Console.ReadLine();