用 C# 抓取 JavaScript 生成的网页

Question

我有一个网络浏览器，在Visual Studio 中有一个标签，基本上我想做的是从另一个网页中抓取一个部分。

我尝试使用WebClient.DownloadString 和WebClient.DownloadFile，它们都在JavaScript 加载内容之前给了我网页的源代码。我的下一个想法是使用网络浏览器工具并在页面加载后调用webBrowser.DocumentText，但这不起作用，它仍然给了我页面的原始来源。

有没有办法可以抓取页面帖子JavaScript 加载？

Answer 1

感谢wbennet，我发现了PhantomJSCloud.com。足够的免费服务可以通过网络API 调用来报废页面。

public static string GetPagePhantomJs(string url)
{
    using (var client = new System.Net.Http.HttpClient())
    {
        client.DefaultRequestHeaders.ExpectContinue = false;
        var pageRequestJson = new System.Net.Http.StringContent
            (@"{'url':'" + url + "','renderType':'html','outputAsJson':false }");
        var response = client.PostAsync
            ("https://PhantomJsCloud.com/api/browser/v2/{YOUT_API_KEY}/",
            pageRequestJson).Result;
        return response.Content.ReadAsStringAsync().Result;
    }
}

是的。

Answer 2

好的，我将向您展示如何使用 phantomjs 和使用 c# 的 selenuim 启用 javascript

1. 创建一个新的控制台项目，随意命名
2. 在你的右手边打开解决方案浏览器
3. 右键单击引用单击管理 NuGet 包
4. 一个窗口会显示点击浏览而不是安装 Selenium.WebDriver
5. 从这里下载 phantomjs Phantomjs

6. 在你的主函数中输入这段代码

       var options = new PhantomJSOptions();
       options.AddAdditionalCapability("IsJavaScriptEnabled", true);
       IWebDriver driver = new PhantomJSDriver("phantomjs Folder Path", options);
       driver.Navigate().GoToUrl("https://www.yourwebsite.com/");
   
       try
       {
           string pagesource = driver.PageSource;
           driver.FindElement(By.Id("yourelement"));
           Console.Write("yourelement founded");
   
       }
       catch (Exception e)
       {
           Console.WriteLine(e.Message);
   
       }
   
       Console.Read();
   

不要忘记将您的网站和您要查找的元素以及您机器中的 phantomjs.exe 路径放在下面的代码中

祝您编码愉快，感谢wbennett

Answer 3

问题是浏览器通常会执行 javascript，结果是更新了 DOM。除非您可以分析 javascript 或拦截它使用的数据，否则您将需要像浏览器一样执行代码。过去我遇到过同样的问题，我使用 selenium 和 PhantomJS 来呈现页面。在它呈现页面之后，我将使用 WebDriver 客户端来导航 DOM 并检索我需要的内容，发布 AJAX。

概括地说，这些是步骤：

1. 已安装硒：http://docs.seleniumhq.org/
2. 将 selenium 集线器作为服务启动
3. 下载的phantomjs（无头浏览器，可以执行javascript）：http://phantomjs.org/
4. 以指向 selenium 集线器的 webdriver 模式启动 phantomjs
5. 在我的抓取应用程序中安装了 webdriver 客户端 nuget 包：Install-Package Selenium.WebDriver

以下是 phantomjs webdriver 的示例用法：

var options = new PhantomJSOptions();
options.AddAdditionalCapability("IsJavaScriptEnabled",true);

var driver = new RemoteWebDriver( new URI(Configuration.SeleniumServerHub),
                    options.ToCapabilities(),
                    TimeSpan.FromSeconds(3)
                  );
driver.Url = "http://www.regulations.gov/#!documentDetail;D=APHIS-2013-0013-0083";
driver.Navigate();
//the driver can now provide you with what you need (it will execute the script)
//get the source of the page
var source = driver.PageSource;
//fully navigate the dom
var pathElement = driver.FindElementById("some-id");

有关 selenium、phantomjs 和 webdriver 的更多信息可以在以下链接中找到：

http://docs.seleniumhq.org/

http://docs.seleniumhq.org/projects/webdriver/

http://phantomjs.org/

编辑：更简单的方法

似乎有一个用于 phantomjs 的 nuget 包，因此您不需要集线器（我使用集群以这种方式进行大量报废）：

安装网络驱动：

Install-Package Selenium.WebDriver

安装嵌入式exe：

Install-Package phantomjs.exe

更新代码：

var driver = new PhantomJSDriver();
driver.Url = "http://www.regulations.gov/#!documentDetail;D=APHIS-2013-0013-0083";
driver.Navigate();
//the driver can now provide you with what you need (it will execute the script)
//get the source of the page
var source = driver.PageSource;
//fully navigate the dom
var pathElement = driver.FindElementById("some-id");