phantomjs: document.querySelectorAll() 不适用于动态页面
phantomjs: document.querySelectorAll() not working for dynamic page
我只是想从 this amazon URL 获取优惠商品:
当我在浏览器中打开此 link 并在控制台中编写查询时,它有效:
document.querySelectorAll('div[class*="DealItem-module__dealItem_"]')
但是当我尝试通过这个 phantomjs
脚本获取它时,它似乎总是什么都不返回:
var page = require('webpage').create();
page.viewportSize = { height: 800, width: 1920 }; // BRODIE : CHROME
page.customHeaders = {
accept:
'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
// 'accept-encoding': 'gzip, deflate, br',
'accept-language': 'en-US,en;q=0.9',
dnt: '1',
'sec-ch-ua':
'" Not A;Brand";v="99", "Chromium";v="90", "Microsoft Edge";v="90"',
'sec-ch-ua-mobile': '?0',
'sec-fetch-dest': 'document',
'sec-fetch-mode': 'navigate',
'sec-fetch-site': 'none',
'sec-fetch-user': '?1',
'upgrade-insecure-requests': '1',
'user-agent':
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36 Edg/90.0.818.66',
};
page.settings.javascriptEnabled = true;
page.settings.loadImages = false;
//Script is much faster with this field set to false
phantom.cookiesEnabled = true;
phantom.javascriptEnabled = true;
page.onConsoleMessage = function (message) {
console.log('console.log() -- ', message);
}; // BUBBLE UP LOGS FROM BROWSER CONSOLE TO PHANTOM CONSOLE
page.onLoadStarted = function () {
loadInProgress = true;
console.log('page loading started');
};
page.onLoadFinished = function () {
loadInProgress = false;
console.log('page loading finished');
};
page.onError = function (msg, trace) {
console.log(msg);
trace.forEach(function (item) {
console.log(' ', item.file, ':', item.line);
});
};
// OPEN PAGE
console.log('page.open()');
page.open(
'https://www.amazon.com/gp/goldbox/ref=gbps_ftr_s-5_cd34_wht_26179410?gb_f_deals1=sortOrder:BY_SCORE,includedAccessTypes:GIVEAWAY_DEAL,enforcedCategories:2617941011&pf_rd_p=fd51d8cf-b5df-4144-8086-80096db8cd34&pf_rd_s=slot-5&pf_rd_t=701&pf_rd_i=gb_main&pf_rd_m=ATVPDKIKX0DER&pf_rd_r=A89BX6V6RQRQ94NFA0DP&ie=UTF8',
function (status) {
if (status !== 'success')
console.log('U N A B L E T O O P E N P A G E . . .');
else console.log(' P A G E O P E N E D . . .');
var selector = 'div[class*="DealItem-module__dealItem_"]'
var findAll = setInterval(function () {
console.log('trying to fetch deals...');
var deals = page.evaluate(function (sel) {
return document.querySelectorAll(
'div[class*="DealItem-module__dealItem_"]'
);
}, selector);
if(deals.length) {
console.log('deals.length', deals.length);
clearInterval(findAll);
}
}, 1000);
}
);
此外,当我尝试使用 page.render()
截取屏幕截图时,它显示带有 unloaded/unfinished JS 的页面( 这与我们在 URL 中键入时不同浏览器和搜索:):
此外,我注意到当我在终端中 运行 这个脚本时,我得到了一些网页的 JS 错误:
我们将不胜感激任何帮助
根据 documentation on the evaluate method in PhantomJS
Note: The arguments and the return value to the evaluate function must be a simple primitive object. The rule of thumb: if it can be serialized via JSON, then it is fine.
Closures, functions, DOM nodes, etc. will not work!
相反,您应该在评估中执行长度计算,然后 return 简单的原始长度。
之所以 document.querySelectorAll('div[class*="DealItem-module__dealItem_"])
只有 return 在浏览器控制台而不是 PhantomJS 脚本中产生结果,是因为它们 运行 在页面的两个不同版本上:
- 在 phantomjs 脚本中,您未登录。因此亚马逊显示“登录”页面而不是交易列表。
- PhantomJS page.render() 的屏幕截图证实了这一点。
- 在浏览器中,您已登录,因此 Amazon 网站会显示包含与此查询匹配的 DOM 元素的交易列表。
- 如果您退出 Amazon 或使用隐身浏览器,您可以进一步确认
document.querySelectorAll()
不会 return 浏览器中的任何内容。 (有趣的是,亚马逊 URL 确实在以隐身模式注销时为我显示了交易列表。如果亚马逊怀疑自动机器人正在访问 URL...,它可能只会显示该登录消息。 )
要让 PhantomJS 脚本抓取与您在浏览器中看到的页面相同的页面,您必须首先在 PhantomJS 无头浏览器上登录亚马逊。 (PhantomJS 可能使用与您的浏览器不同的浏览器可执行文件。)有几种不同的方法可以做到这一点:
- 从 PhantomJS 脚本手动登录。这并不简单;你必须:
- 加载登录页面。
- 找到用户 ID 字段并填写您的 ID。
- 找到密码字段并填写您的密码。
- 找到提交按钮并单击它。
- 解决亚马逊的任何验证码问题。
- 在浏览器中登录亚马逊后获取亚马逊会话 cookie,然后在 PhantomJS 脚本中使用这些 cookie。这通常更容易,但并不总是有效,每次 cookie 过期时都必须重复。
- 告诉 PhantomJS 将浏览器与您的亚马逊会话 cookie 一起使用。我不确定 PhantomJS 是否可行,但这是一个可配置的 NickJS setting(另一个可编写脚本的无头浏览器)。
由于亚马逊有时会在未登录的情况下显示交易列表,您可以通过使 PhantomJS 看起来像一个真正的浏览器来获得交易列表而无需登录:确保 PhantomJS 发送所有 cookie 和用户代理像真正的浏览器一样的字符串。
最后:像 Amazon 和 Google 这样的大型网站非常擅长检测和防止自动机器人抓取他们的网站。将来您可能会遇到更多障碍!
更新:
我刚刚查看了亚马逊 URL,确实有 HTTP-only cookie。这种类型的 cookie 无法从 JavaScript 访问(既不读也不写)。所以 PhantomJS 很有可能无法 read/write 这些 cookie,除了通过 PhantomJS 脚本手动登录:
感谢 Leftium 和 James 的回答,我试过了 waitFor.js and other suggestions on Stack Overflow. But none of them worked. Now I am using Nightmare.js and it's working now, using Nighmare.js - Asynchronous operations and loops and Looping through pages when next is available #402
但是知道如何使用 phantom.js 会很好,不过
我只是想从 this amazon URL 获取优惠商品:
当我在浏览器中打开此 link 并在控制台中编写查询时,它有效:
document.querySelectorAll('div[class*="DealItem-module__dealItem_"]')
但是当我尝试通过这个 phantomjs
脚本获取它时,它似乎总是什么都不返回:
var page = require('webpage').create();
page.viewportSize = { height: 800, width: 1920 }; // BRODIE : CHROME
page.customHeaders = {
accept:
'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9',
// 'accept-encoding': 'gzip, deflate, br',
'accept-language': 'en-US,en;q=0.9',
dnt: '1',
'sec-ch-ua':
'" Not A;Brand";v="99", "Chromium";v="90", "Microsoft Edge";v="90"',
'sec-ch-ua-mobile': '?0',
'sec-fetch-dest': 'document',
'sec-fetch-mode': 'navigate',
'sec-fetch-site': 'none',
'sec-fetch-user': '?1',
'upgrade-insecure-requests': '1',
'user-agent':
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Safari/537.36 Edg/90.0.818.66',
};
page.settings.javascriptEnabled = true;
page.settings.loadImages = false;
//Script is much faster with this field set to false
phantom.cookiesEnabled = true;
phantom.javascriptEnabled = true;
page.onConsoleMessage = function (message) {
console.log('console.log() -- ', message);
}; // BUBBLE UP LOGS FROM BROWSER CONSOLE TO PHANTOM CONSOLE
page.onLoadStarted = function () {
loadInProgress = true;
console.log('page loading started');
};
page.onLoadFinished = function () {
loadInProgress = false;
console.log('page loading finished');
};
page.onError = function (msg, trace) {
console.log(msg);
trace.forEach(function (item) {
console.log(' ', item.file, ':', item.line);
});
};
// OPEN PAGE
console.log('page.open()');
page.open(
'https://www.amazon.com/gp/goldbox/ref=gbps_ftr_s-5_cd34_wht_26179410?gb_f_deals1=sortOrder:BY_SCORE,includedAccessTypes:GIVEAWAY_DEAL,enforcedCategories:2617941011&pf_rd_p=fd51d8cf-b5df-4144-8086-80096db8cd34&pf_rd_s=slot-5&pf_rd_t=701&pf_rd_i=gb_main&pf_rd_m=ATVPDKIKX0DER&pf_rd_r=A89BX6V6RQRQ94NFA0DP&ie=UTF8',
function (status) {
if (status !== 'success')
console.log('U N A B L E T O O P E N P A G E . . .');
else console.log(' P A G E O P E N E D . . .');
var selector = 'div[class*="DealItem-module__dealItem_"]'
var findAll = setInterval(function () {
console.log('trying to fetch deals...');
var deals = page.evaluate(function (sel) {
return document.querySelectorAll(
'div[class*="DealItem-module__dealItem_"]'
);
}, selector);
if(deals.length) {
console.log('deals.length', deals.length);
clearInterval(findAll);
}
}, 1000);
}
);
此外,当我尝试使用 page.render()
截取屏幕截图时,它显示带有 unloaded/unfinished JS 的页面( 这与我们在 URL 中键入时不同浏览器和搜索:):
此外,我注意到当我在终端中 运行 这个脚本时,我得到了一些网页的 JS 错误:
我们将不胜感激任何帮助
根据 documentation on the evaluate method in PhantomJS
Note: The arguments and the return value to the evaluate function must be a simple primitive object. The rule of thumb: if it can be serialized via JSON, then it is fine.
Closures, functions, DOM nodes, etc. will not work!
相反,您应该在评估中执行长度计算,然后 return 简单的原始长度。
之所以 document.querySelectorAll('div[class*="DealItem-module__dealItem_"])
只有 return 在浏览器控制台而不是 PhantomJS 脚本中产生结果,是因为它们 运行 在页面的两个不同版本上:
- 在 phantomjs 脚本中,您未登录。因此亚马逊显示“登录”页面而不是交易列表。
- PhantomJS page.render() 的屏幕截图证实了这一点。
- 在浏览器中,您已登录,因此 Amazon 网站会显示包含与此查询匹配的 DOM 元素的交易列表。
- 如果您退出 Amazon 或使用隐身浏览器,您可以进一步确认
document.querySelectorAll()
不会 return 浏览器中的任何内容。 (有趣的是,亚马逊 URL 确实在以隐身模式注销时为我显示了交易列表。如果亚马逊怀疑自动机器人正在访问 URL...,它可能只会显示该登录消息。 )
- 如果您退出 Amazon 或使用隐身浏览器,您可以进一步确认
要让 PhantomJS 脚本抓取与您在浏览器中看到的页面相同的页面,您必须首先在 PhantomJS 无头浏览器上登录亚马逊。 (PhantomJS 可能使用与您的浏览器不同的浏览器可执行文件。)有几种不同的方法可以做到这一点:
- 从 PhantomJS 脚本手动登录。这并不简单;你必须:
- 加载登录页面。
- 找到用户 ID 字段并填写您的 ID。
- 找到密码字段并填写您的密码。
- 找到提交按钮并单击它。
- 解决亚马逊的任何验证码问题。
- 在浏览器中登录亚马逊后获取亚马逊会话 cookie,然后在 PhantomJS 脚本中使用这些 cookie。这通常更容易,但并不总是有效,每次 cookie 过期时都必须重复。
- 告诉 PhantomJS 将浏览器与您的亚马逊会话 cookie 一起使用。我不确定 PhantomJS 是否可行,但这是一个可配置的 NickJS setting(另一个可编写脚本的无头浏览器)。
由于亚马逊有时会在未登录的情况下显示交易列表,您可以通过使 PhantomJS 看起来像一个真正的浏览器来获得交易列表而无需登录:确保 PhantomJS 发送所有 cookie 和用户代理像真正的浏览器一样的字符串。
最后:像 Amazon 和 Google 这样的大型网站非常擅长检测和防止自动机器人抓取他们的网站。将来您可能会遇到更多障碍!
更新:
我刚刚查看了亚马逊 URL,确实有 HTTP-only cookie。这种类型的 cookie 无法从 JavaScript 访问(既不读也不写)。所以 PhantomJS 很有可能无法 read/write 这些 cookie,除了通过 PhantomJS 脚本手动登录:
感谢 Leftium 和 James 的回答,我试过了 waitFor.js and other suggestions on Stack Overflow. But none of them worked. Now I am using Nightmare.js and it's working now, using Nighmare.js - Asynchronous operations and loops and Looping through pages when next is available #402
但是知道如何使用 phantom.js 会很好,不过