使用 php curl 抓取动态加载的网站

Question

我是爬虫新手，正式爬过两个网站。但是当我试图抓取动态加载网站时，问题出现了。当网站以 JavaScript 呈现时，我无法抓取网站的内容。

有什么方法可以使用 php curl 或与 PHP 相关的任何其他客户端来抓取该网站的内容？

这是我到目前为止所做的：

$link = "https://www.glassdoor.com/Job/jobs.htm?suggestCount=0&suggestChosen=false&clickSource=searchBtn&typedKeyword=android+developer&sc.keyword=android+developer&locT=N&locId=192&jobType=";

$ch = curl_init();
curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);
curl_setopt($ch,CURLOPT_URL,$link);
curl_setopt($ch,CURLOPT_RETURNTRANSFER,1);
curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) AppleWebKit/525.13 (KHTML, like Gecko) Chrome/0.A.B.C Safari/525.13");
$data = curl_exec($ch);


$document = new DOMdocument();
libxml_use_internal_errors(true);
$document->loadHTML($data);
$elements = $document->getElementsByTagName("div");

foreach($elements as $element){
   echo $element->nodeValue."<br>";;
}

Answer 1

为此你需要无头浏览器，你可以使用 PHP Wrapper for PhantomJS ，这里是 link http://jonnnnyw.github.io/php-phantomjs/。这将解决您的问题。它具有以下特点：

通过 PhantomJS 无头浏览器加载网页
查看详细的响应数据，包括页面内容、headers、状态码等
处理重定向
查看javascript 控制台错误

希望对您有所帮助。

使用 php curl 抓取动态加载的网站

Scraping a dynamically loading website with php curl

php

php-curl