我需要解析一个简单的网页并从html获取数据,例如“src”,“data-attr”等。如何使用Node.js最有效地完成这项工作?如果有帮助,我使用的是Node.js 0.8.x。
P.S。这是我正在解析的site。我想获得当前曲目的列表,并制作我自己的html5应用程序,以便在移动设备上进行收听。
答案 0 :(得分:58)
我做了很多。如果您正在使用JavaScript的网站大量使用JavaScript,您将需要使用PhantomJS。请注意,PhantomJS不是Node.js.这是一个完全不同的JavaScript运行时。您可以通过phantomjs-node或node-phantom进行整合,但它们都有点hacky。 YMMV与那些。避免与jsdom有任何关系。这会让你头疼 - 这包括Zombie.js。
您应该使用Cheerio与Request一起使用的内容。这对于大多数网页来说已经足够了。
我写了一篇关于使用Cheerio请求的博客文章:Quick and Dirty Screen Scraping with Node.js但是,如果它是JavaScript密集型,请将PhantomJS与CasperJS结合使用。
希望这有帮助。
使用请求和Cheerio的代码段:
var request = require('request')
, cheerio = require('cheerio');
var searchTerm = 'screen+scraping';
var url = 'http://www.bing.com/search?q=' + searchTerm;
request(url, function(err, resp, body){
$ = cheerio.load(body);
links = $('.sb_tlst h3 a'); //use your CSS selector here
$(links).each(function(i, link){
console.log($(link).text() + ':\n ' + $(link).attr('href'));
});
});
答案 1 :(得分:4)
您可以尝试PhantomJS。这是使用它进行屏幕抓取的documentation。
答案 2 :(得分:3)
我同意@JP Richardson的说法,Cheerio最适合刮掉非JS重型网站。 对于JS重型站点,请使用Casper。它提供了Phantom和Promises风格API的强大抽象。他们回顾了如何在他们的文档中抓取:http://docs.casperjs.org/en/latest/quickstart.html。
答案 3 :(得分:0)
如果你想使用幻像,请使用node-phantom。如果你想看一下,我有一个git hub存储库,它们一起用来从html生成pdf文件。 但我不会去幻影,因为它比你通常想要的更多,而且cheerio更快。