Question

我正在尝试使用无头浏览器进行抓取，以便在我正在开发的开源项目中添加SEO功能。

项目示例站点通过Azure网站进行部署。

我尝试了几种使用不同解决方案（如Selenium .NET（PhantomJSDriver，HTMLUnitDriver，...）甚至是独立的PhantomJs .exe文件）来完成任务的方法。

我使用的是无头浏览器，因为该网站基于DurandalJS，所以它需要执行脚本并等待条件成立才能返回生成的HTML。出于这个原因，不能使用像WebClient / WebResponse类或HTMLAgilityPack这样的东西，它们可以很好地用于非JavaScript网站。

以上所有方法都适用于我的devbox localhost环境，但是在将网站上传到Azure网站时会出现问题。当使用独立的phantomjs时，站点在访问url端点时会冻结，并在一段时间后返回HTTP 502错误。如果使用Selenium Webdriver我得到了

OpenQA.Selenium.WebDriverException: Unexpected error. System.Net.WebException: Unable to connect to the remote server ---> System.Net.Sockets.SocketException: No connection could be made because the target machine actively refused it 127.0.0.1:XXXX

我认为问题在于在Azure中运行.exe文件而不是代码。我知道可以通过WebRole / WebWorkers在Azure CloudServices中运行.exe文件，但需要保留在Azure网站中以保持简单。

有可能在Azure网站中运行无头浏览器吗？任何人都有这种情况的经验吗？

我的独立PhantomJS解决方案的代码是

//ASP MVC ActionResult

public ActionResult GetHTML(string url)
{
    string appRoot = Server.MapPath("~/");

    var startInfo = new ProcessStartInfo
    {
        Arguments = String.Format("{0} {1}", Path.Combine(appRoot, "Scripts\\seo\\renderHTML.js"), url),
        FileName = Path.Combine(appRoot, "bin\\phantomjs.exe"),
        UseShellExecute = false,
        CreateNoWindow = true,
        RedirectStandardOutput = true,
        RedirectStandardError = true,
        RedirectStandardInput = true,
        StandardOutputEncoding = System.Text.Encoding.UTF8
    };
    var p = new Process();
    p.StartInfo = startInfo;
    p.Start();
    string output = p.StandardOutput.ReadToEnd();
    p.WaitForExit();
    ViewData["result"] = output;
    return View();
}

// PhantomJS script

var resourceWait = 300,
    maxRenderWait = 10000;

var page = require('webpage').create(),
    system = require('system'),
    count = 0,
    forcedRenderTimeout,
    renderTimeout;

page.viewportSize = { width: 1280, height: 1024 };

function doRender() {
    console.log(page.content);
    phantom.exit();
}

page.onResourceRequested = function (req) {
    count += 1;
    //console.log('> ' + req.id + ' - ' + req.url);
    clearTimeout(renderTimeout);
};

page.onResourceReceived = function (res) {
    if (!res.stage || res.stage === 'end') {
        count -= 1;
        //console.log(res.id + ' ' + res.status + ' - ' + res.url);
        if (count === 0) {
            renderTimeout = setTimeout(doRender, resourceWait);
        }
    }
};

page.open(system.args[1], function (status) {
    if (status !== "success") {
        //console.log('Unable to load url');
        phantom.exit();
    } else {
        forcedRenderTimeout = setTimeout(function () {
            //console.log(count);
            doRender();
        }, maxRenderWait);
    }
});

和Selenium选项

public ActionResult GetHTML(string url)
{
    using (IWebDriver driver = new PhantomJSDriver())
    {
        driver.Navigate().GoToUrl(url);

        WebDriverWait wait = new WebDriverWait(driver, TimeSpan.FromSeconds(30));

        IWebElement myDynamicElement = wait.Until<IWebElement>((d) =>
        {
            return d.FindElement(By.CssSelector("#compositionComplete"));
        });

        var content = driver.PageSource;

        driver.Quit();

        return Content(content);
    }                      
}

谢谢！

Answer 1

您无法在共享网站环境中执行exe文件，您必须使用Web服务，或者必须设置正确的（天蓝色）虚拟机。

免费的共享网站服务非常基本，当您需要更高级的功能时，它不会削减它。

请参阅此问题并接受答案，以获得更详细的答案：Can we run windowservice or EXE in Azure website or in Virtual Machine?

Answer 2

我不确定共享和基本的网站环境，但我从standart网站环境成功运行ffmpeg.exe。尽管仍然幻影，甚至chromedriver本身也无法正常工作。但是我能够成功运行Firefox驱动程序。为了做到这一点

我将最新的firefox目录从我的本地复制到网站，下面的代码运行良好。

var binary = new FirefoxBinary("/websitefolder/blabla/firefox.exe");
var driver = new FirefoxDriver(binary, new FirefoxProfile());
driver.Navigate().GoToUrl("http://www.google.com");

无头浏览器和Windows Azure网站

2 个答案: