解析具有动态内容的站点

Question

我正在使用 Nokogiri 解析 TechCrunch [带有特定搜索词。

http://techcrunch.com/search/education#stq=education&stp=1

问题是网站在返回与搜索项相关的列表之前有几秒钟的延迟，所以我输入到 Nokogiri 解析的 URL 在 Nokogiri 检索时没有相关内容。

内容似乎会在几秒钟后动态加载 - 我猜是 Javascript。 关于如何稍微延迟检索 HTML 的任何想法？

Answer 1

使用 Ruby 方法，sleep

seconds_to_delay = 5
sleep seconds_to_delay

---

编辑 1：处理在文档完成加载后一段时间加载的 div

我讨厌这种情况。我必须处理完全相同的情况，所以这就是我解决它的方法。 你需要使用selenium-webdriver gem 之类的东西。

require 'selenium-webdriver'
url = "http://techcrunch.com/search/education#stq=education&stp=1"

css_selector = ".tab-panel.active"

driver = Selenium::WebDriver.for :firefox
driver.get(url)
driver.switch_to.default_content
posts_text = driver.find_element(:css, css_selector).text
puts posts_text
driver.quit

如果您在 Heroku、AWS EC2 或 Digital Ocean 等虚拟机上运行此程序，则无法使用 firefox。相反，您需要像 phantom.js 这样的无头浏览器。

为了使用 phantom.js 而不是 firefox，首先，在 VM 上安装 phantomjs。然后改成driver = Selenium::WebDriver.for :phantomjs。

您可以使用this gem 实际为您安装 phantomjs。

---

第二次修改问题 b)

require 'selenium-webdriver'
url = "http://techcrunch.com/search/education#stq=education&stp=1"

css_selector = ".tab-panel.active ul.river-compact.river-search li"

driver = Selenium::WebDriver.for :phantomjs
driver.get(url)
driver.switch_to.default_content
items = driver.find_elements(:css, css_selector)
items.each {|x| puts x }
driver.quit