没有 Node js 的 Web Scraping 可能吗？

Question

我目前有一个简单的网页，它只包含一个 .js、.css .html 文件。我不想使用任何 Node.js 的东西。

关于这些限制，我想问一下是否可以使用 javascript 搜索外部网页的内容（例如，在后台运行 webworker）。

例如我想做：

获取 google 图片搜索的第一个 url 链接。

编辑：

我现在试了一下，发现它工作正常，但是 2 周后我现在得到这个错误：

跨域请求被阻止：同源策略不允许读取位于...的远程资源。 （原因：CORS 标头“Access-Control-Allow-Origin”缺失）。

有什么办法解决这个问题吗？

这是firefox描述的错误： https://developer.mozilla.org/en-US/docs/Web/HTTP/CORS/Errors/CORSMissingAllowOrigin

Answer 1

是的，理论上可以在客户端进行“网页抓取”（即解析网页）。但是有几个限制，我想问你为什么不选择在服务器或桌面上运行的程序。

Web 工作者能够使用 XMLHttpRequest 请求 HTML 内容，然后以编程方式解析传入的 XML。请注意，如果目标网页属于外部域，则它必须发送适当的 CORS 标头。然后，您可以从生成的 HTML 中挑选内容。

解析使用 CSS 和 JavaScript 生成的内容会更加困难。您要么必须根据输入流在主机页面上构建沙盒内容，要么运行某种解析器，这似乎不太可行。

简而言之，您的问题的答案是肯定的，因为您拥有执行网络请求的工具和图灵完备的语言，可以用来构建您想要的任何类型的解析和抓取。所以从技术上讲，任何事情都是可能的。

但真正的问题是：这样做是否明智？当其他技术在手时，您会选择这种方法吗？嗯，不。在大多数情况下，我不明白你为什么不直接使用例如编写服务器端程序。无头 Chrome。

如果您不想使用 Node - 或者由于某种原因无法部署 Node - 有许多 Web 抓取包和 Go、C、Java 和 Python 等语言的现有技术。搜索您喜欢的编程语言的包管理器，您可能会找到几个。

Answer 2

是的，这是可能的。只需使用XMLHttpRequest API：

var request = new XMLHttpRequest();
request.open("GET", "https://bypasscors.herokuapp.com/api/?url=" + encodeURIComponent("https://duckduckgo.com/html/?q=stack+overflow"), true);  // last parameter must be true
request.responseType = "document";
request.onload = function (e) {
  if (request.readyState === 4) {
    if (request.status === 200) {
      var a = request.responseXML.querySelector("div.result:nth-child(1) > div:nth-child(1) > h2:nth-child(1) > a:nth-child(1)");
      console.log(a.href);
      document.body.appendChild(a);
    } else {
      console.error(request.status, request.statusText);
    }
  }
};
request.onerror = function (e) {
  console.error(request.status, request.statusText);
};
request.send(null);  // not a POST request, so don't send extra data

请注意，我必须使用代理来绕过 CORS 问题；如果您想这样做，请在您自己的服务器上运行您自己的代理。

Answer 3

我也听说过 python 用于scraping，但是 nodejs + puppeteer 很牛逼……而且很容易学习