异步网页采集利器CasperJs

在采集网页中，我们会经常遇到采集一些异步加载页面的网页，我们通常用的httpwebrequest类就采集不到了，这个时候我们通常会采用webbrowser来辅助采集，但是.net下自带的webbrowser用起来非常不爽，在获取页面是否加载完毕的时候比较麻烦一些，DocumentCompleted事件遇到Iframe重复触发，而且获取到的源码通常也不是异步加载完之后的源码，往往我们需要加上定时器去不断的检查，才能获取到我们想要的源码。当然我们可以用一些第三方的webkit内核浏览器，但是这些判断页面是不是真正的加载完成也是比较费劲，而且体积都不小。

今天就介绍一下CasperJS，CasperJS是一个开源的导航脚本处理和测试工具，基于PhantomJS 和 slimerjs（前端自动化测试工具）编写。CasperJS简化了完整的导航场景的过程定义，提供了用于完成常见任务的实用的高级函数、方法和语法。CasperJS本身的功能很强大，内置了两种引擎PhantomJS 和 slimerjs 默认使用PhantomJS，具体详细的功能，大家可以参数这些官方网站去了解，或者加入QQ群389709524一块讨论，今天的重点讨论如何快速的采集到异步加载的网页。

假如我们要采集dudu的这篇文章的评论 http://www.cnblogs.com/dudu/p/csharp-unicode-utf8.html，这篇文章查看源码是找不到这两条评论的，我们通过httpwebrequest也是获取不到的，这个时候我们通过casperjs就非常容易了。

caperjs代码定义如下：

var fs = require('fs');
var casper = require('casper').create({
    pageSettings: {
        loadImages: false,
        loadPlugins: false
    },
    logLevel: "debug",//日志等级
    verbose: true,    // 记录日志到控制台
});

var url = casper.cli.raw.get('url');

//请求页面
casper.start(url, function () {
    fs.write("temp.html", this.getHTML(), 'w');
});

casper.run();

结果如下：

这样几行轻松的代码就获取到了异步加载的html代码了，是不是很简单，速度也是很快！

当然在实际生产环境中这个还远远不够，我们要考虑各种网站的情景和各种网络状况，比如要考虑网络超时，一个网页一分钟加载不了我们就认为超时了，不然会一直等待，还有我们要过滤一下对于我们采集无关的请求，比较谷歌统计，百度统计，广告等，这个往往会拖慢网页的加载速度，另外页面的css样式，图片我们通常也不需要，都可以忽略，综上所述，我们的代码扩展成这样子。

var fs = require('fs');

var casper = require('casper').create({
    pageSettings: {
        loadImages: true,       
        loadPlugins: false,      
        userAgent: 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.137 Safari/537.36 LBBROWSER'
    },
    logLevel: "debug",//日志等级
    verbose: true,    // 记录日志到控制台
    timeout: 60000,//60秒超时，退出
});


var url = casper.cli.raw.get('url');

//排除不相关的请求，加快页面加载进度
casper.on('resource.requested', function(requestData, request) {    
    if (requestData.url.indexOf('google-analytics.com') > 0) {
        request.abort();
    }
    if (requestData.url.indexOf('googlesyndication.com') > 0) {
        request.abort();
    }
    if (requestData.url.indexOf('hm.baidu.com') > 0) {
        request.abort();
    }
    if (requestData.url.indexOf('baidustatic.com') > 0) {
        request.abort();
    }
    if (requestData.url.indexOf('share.baidu.com') > 0) {
        request.abort();
    }
    if (requestData.url.indexOf('cbjs.baidu.com') > 0) {
        request.abort();
    }
    if (requestData.url.indexOf('jiathis.com') > 0) {
        request.abort();
    }
    if (requestData.url.indexOf('.cnzz.com') > 0) {
        request.abort();
    }
    if (requestData.url.indexOf('.51.la') > 0) {
        request.abort();
    }
    if (requestData.url.indexOf('.tanx.com') > 0) {
        request.abort();
    }
    //this.echo("==============>page.resource.requested"+requestData.url);
});

//超时执行的函数，记录到日志文件
casper.on('timeout', function () {
    //this.echo("===>timeout"+url);
    var fileName = this.evaluate(getFileName);
    var nowTime = this.evaluate(CurentTime);
    fs.write("log/timeout_" + fileName + ".txt", nowTime + "====>" + url + "
", 'a');
});

//请求页面
casper.start(url, function () {
    var status = this.status().currentHTTPStatus;
    //this.capture('tt.png');
    fs.write("temp.html", this.getHTML(), 'w');
});


function getFileName() {
    var now = new Date();

    var year = now.getFullYear();       //年
    var month = now.getMonth() + 1;     //月
    var day = now.getDate();            //日

    return (year + "" + month + "" + day);
}

function CurentTime() {
    var now = new Date();

    var year = now.getFullYear();       //年
    var month = now.getMonth() + 1;     //月
    var day = now.getDate();            //日

    var hh = now.getHours();            //时
    var mm = now.getMinutes();          //分

    var clock = year + "-";

    if (month < 10)
        clock += "0";

    clock += month + "-";

    if (day < 10)
        clock += "0";

    clock += day + " ";

    if (hh < 10)
        clock += "0";

    clock += hh + ":";
    if (mm < 10) clock += '0';
    clock += mm;
    return (clock);
}

casper.run();

CasperJs的安装，可以参考官方网站的文档，或者关注下面的微信公众号 提供本文的所有工具和源码下载，本人也是最近刚接触，希望和大家一块讨论。今天写此文章还有个目的是，使用CasperJs的时候遇到一个页面个别文字出现乱码，一时找不到解决方案，欢迎知道的大侠帮忙指点下！情景如下：

比如采集这个网页 http://meiri.jguo.cn/mryr/2014/1209/59249.html  这个网站编码是gb2312 采集的时候遇到 曹叡 的 “叡 ”会出现乱码，其他的文字没事，我自己测试了下，发现如果网站是utf-8编码的，采集的时候这个字没问题，但是咱们是采集程序，不可能要求别人改编码，所以目前还没有想到解决方案，还希望知道的同学，指点一二，在此谢了！

文章出处:http://www.cnblogs.com/weiguang3100/

在线工具:http://51tools.info

.NET 开发交流 关注微信公众号

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文链接。