使用 javascript (phantomjs) 导航/抓取 hashbang 链接

Question

我正在尝试下载几乎完全由 JavaScript 生成的网站的 HTML。所以，我需要模拟浏览器访问并一直在玩PhantomJS。问题是，该站点使用 hashbang URL，我似乎无法让 PhantomJS 处理 hashbang - 它只是不断调用主页。

该网站是http://www.regulations.gov。默认将您带到#!home。我尝试使用以下代码（来自 here）来尝试处理不同的 hashbang。

if (phantom.state.length === 0) {
     if (phantom.args.length === 0) {
        console.log('Usage: loadreg_1.js <some hash>');
        phantom.exit();
     }
     var address = 'http://www.regulations.gov/';
     console.log(address);
     phantom.state = Date.now().toString();
     phantom.open(address);

} else {
     var hash = phantom.args[0];
     document.location = hash;
     console.log(document.location.hash);
     var elapsed = Date.now() - new Date().setTime(phantom.state);
     if (phantom.loadStatus === 'success') {
             if (!first_time) {
                     var first_time = true;
                     if (!document.addEventListener) {
                             console.log('Not SUPPORTED!');
                     }
                     phantom.render('result.png');
                     var markup = document.documentElement.innerHTML;
                     console.log(markup);
                     phantom.exit();
             }
     } else {
             console.log('FAIL to load the address');
             phantom.exit();
     }
}

此代码生成正确的 hashbang（例如，我可以将 hash 设置为 '#!contactus'），但它不会动态生成任何不同的 HTML——只是默认页面。但是，当我调用 document.location.hash 时，它会正确输出。

我也尝试将初始地址设置为 hashbang，但是脚本只是挂起并且没有执行任何操作。例如，如果我将 url 设置为 http://www.regulations.gov/#!searchResults;rpp=10;po=0，则脚本在将地址打印到终端后就会挂起，并且什么也没有发生。

Answer 1

这里的问题是页面的内容是异步加载的，但您希望它在页面加载后立即可用。

为了抓取异步加载内容的页面，您需要等待抓取，直到您感兴趣的内容加载完毕。根据页面的不同，可能有不同的检查方法，但最简单的方法是定期检查您希望看到的内容，直到找到为止。

这里的诀窍是弄清楚要查找的内容 - 您需要在加载所需内容之前不会出现在页面上的内容。在这种情况下，我为顶级页面找到的最简单的选项是手动输入您希望在每个页面上看到的 H1 标签，将它们键入哈希：

var titleMap = {
    '#!contactUs': 'Contact Us',
    '#!aboutUs': 'About Us'
    // etc for the other pages
};

然后在您的成功块中，您可以设置重复超时以在h1 标记中查找您想要的标题。当它出现时，你就知道你可以渲染页面了：

if (phantom.loadStatus === 'success') {
    // set a recurring timeout for 300 milliseconds
    var timeoutId = window.setInterval(function () {
        // check for title element you expect to see
        var h1s = document.querySelectorAll('h1');
        if (h1s) {
            // h1s is a node list, not an array, hence the
            // weird syntax here
            Array.prototype.forEach.call(h1s, function(h1) {
                if (h1.textContent.trim() === titleMap[hash]) {
                    // we found it!
                    console.log('Found H1: ' + h1.textContent.trim());
                    phantom.render('result.png');
                    console.log("Rendered image.");
                    // stop the cycle
                    window.clearInterval(timeoutId);
                    phantom.exit();
                }
            });
            console.log('Found H1 tags, but not ' + titleMap[hash]);
        }
        console.log('No H1 tags found.');
    }, 300);
}

上面的代码对我有用。但是，如果您需要抓取搜索结果，它就行不通了 - 您需要找出可以查找的识别元素或文本，而无需提前知道标题。

编辑：另外，看起来newest version of PhantomJS 现在在获取新数据时会触发onResourceReceived 事件。我没有对此进行研究，但您也许可以将侦听器绑定到此事件以达到相同的效果。