使用R中的phantomJS来抓取动态加载内容的页面

时间:2017-09-08 08:41:37

标签: jquery angularjs web-scraping phantomjs rvest

背景 我正在使用rvest从R的某些网站上搜索产品信息。这适用于除了一个网站之外的所有内容,其中内容似乎通过angularJS(?)动态加载,因此无法迭代加载,例如通过URL参数(就像我为其他网站所做的那样)。具体网址如下:

http://www.hornbach.de/shop/Badarmaturen/Waschtischarmaturen/S3584/artikelliste.html

请记住,我的计算机上没有管理员权限,只能实施不需要或只需要一次性授予管理员权限的解决方案

所需的输出 最后,R中的表格包含产品信息(例如标签,价格,评级)=>但是,在这个问题中,我纯粹需要帮助来动态加载和存储网站;我可以自己处理R中的后处理。 如果你能把我推向正确的方向,那绝对是伟大的;也许我下面列出的一种方法是在正确的轨道上,但我似乎无法将它们转移到所声明的网站。

当前的方法 我发现phantomJS是一个无头浏览器,afaik应该能够处理这个问题。我对Java Script几乎一无所知,并且语法与我更习惯的语言(R,Matlab,SQL)差别很大(至少对我而言),我真的很难实现其他可能在其他地方工作的方法我的代码。 基于this example(非常感谢)我设法使用以下代码从第一个显示的页面中检索至少信息:

R:

require(rvest)

## change Phantom.js scrape file
url <- 'http://www.hornbach.de/shop/Badarmaturen/Waschtischarmaturen/S3584/artikelliste.html'

lines <- lines <- readLines("scrape_final.js")
lines[1] <- paste0("var url ='", url ,"';")
writeLines(lines, "scrape_final.js")

## Download website
system("phantomjs scrape_final.js")

### use Rvest to scrape the downloaded website.
web <- read_html("1.html")
content <- html_nodes(web, 'div.paging-indicator')# %>% html_attr('href')
content <- html_text(content) %>% as.data.frame()

和相应的PhantomJS脚本:

var url ='http://www.hornbach.de/shop/Badarmaturen/Waschtischarmaturen/S3584/artikelliste.html';
var page = new WebPage() 
var fs = require('fs'); 

page.open(url, function (status) { 
         just_wait(); 
}); 


function just_wait() { 
    setTimeout(function() { 
              fs.write('1.html', page.content, 'w'); 
           phantom.exit(); 
    }, 2500); 
}  

什么行不通//研究 虽然此代码从第一页检索信息,但我需要遍历所有x产品页面。我尝试使用以下示例扩展上面的代码:

Unable to scrape multiple pages using phantomjs in r

[使用phantomjs刮取动态加载页面] [3]

[Web抓取动态加载R中的数据] [4]

这些例子让我想到了这个想法

  • 点击“下一页”按钮
  • 或以某种方式注入正确的分页值

    1. 点击“下一页”按钮

这看起来如下

    var url ='http://www.hornbach.de/shop/Badarmaturen/Waschtischarmaturen/S3584/artikelliste.html';
    var page = require('webpage').create(); 
    var fs = require('fs'); 

    page.open(url, function (status) { 
    age.open(url, function() {
      page.includeJs("http://ajax.googleapis.com/ajax/libs/jquery/1.6.1/jquery.min.js", function() {
        page.evaluate(function() {
          $("paging-btn right").click();
            just_wait(); 
        });
        phantom.exit()
      });

    }); 


    function just_wait() { 
        setTimeout(function() { 
                  fs.write('1.html', page.content, 'w'); 
               phantom.exit(); 
        }, 2500); 
    } 

但由于语法不佳以及其他可能的原因,这并没有让我感到满意。 从R调用此脚本不会产生错误,它只运行了很长时间,因此我必须退出它(而工作脚本只需要几秒钟)。

我使用firefox中的小工具检查器来检索按钮名称,但这也可能是错误的:

<a class="paging-btn right rel="next" ng-click="goToNextPage()" 
ng-hide="articleData.pageNumber == articleData.pageCount" 
href="javascript:void(0);">right</a> 
  1. 更改加载时的分页参数
  2. 我试着在这里给出给定的例子 Passing variable into page.evaluate - PhantomJS

    但是还有一个从未在R

    中结束的脚本

    附加说明 看起来我只允许发布两个链接,所以不幸的是我无法链接我研究和测试的所有来源。

    我很清楚这是一次巨大而混乱的信息,如果你能帮助我改进/更好地构建我的问题,请告诉我。我会尽力做出回应,并为您提供所需的任何帮助。

1 个答案:

答案 0 :(得分:0)

我将PhantomJS代码拆分为两部分,避免了错误消息。我非常有信心可以先阅读并存储网站,然后舔下&#34;下一页&#34;按钮并输出新的网址,但不幸的是,这没有错误信息。

以下 R代码是最内部的抓取循环(从一个子子类别的页面检索信息,相应地调用/更改PhantomJS脚本)。

   for (i3 in 1:num_prod_pages) {

      system('phantomjs readhtml.js') # return html of current page via PhantomJS

      ### Use Rvest to scrape the downloaded website.

      html_filename <- paste0(as.character(i3), '.html') # file generated in PhantomJS readhtml.js
      web <- read_html(html_filnamee)
      content <- html_nodes(web, 'div.article-pricing') # %>% html_attr('href')
      content <- html_text(content) %>% as.data.frame()

      ### generate URL of next page

      url_i3 <- capture.output(system("phantomjs nextpage.js", intern = TRUE)) %>%
         .[length(.)] %>% # last line of output contains 
         str_sub(str_locate(., 'http')[1], -2) # cut '[1] \' at start and ' \" ' at end

      # Adapt PhantomJS scripts to new url

      lines <- readLines("readhtml.js")
      lines[2] <- paste0("var url ='", url_i3 ,"';")
      lines[11] <- paste0("              fs.write('", as.character(i3), ".html', page.content, 'w');")
      writeLines(lines, "readhtml.js")

      lines <- readLines("nextpage.js")
      lines[2] <- paste0("var url ='", url_i3 ,"';")
      writeLines(lines, "nextpage.js")
   } 

以下 PhantomJS代码&#34; readhtml.js&#34; 代码存储本地网址的网站

var webPage = require('webpage');
var url ='http://www.hornbach.de/shop/Badarmaturen/S476/artikelliste.html';
var fs = require('fs'); 
var page = webPage.create();
var system = require('system');

//page.settings.userAgent = 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:40.0) Gecko/20100101 Firefox/40.0'
page.settings.userAgent = 'Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)'

page.open(url, function(status) {
    if (status === 'success') {
        fs.write('1.html', page.content, 'w'); 
        console.log('htmlfile ready');
        phantom.exit(); 
    }
})

以下 PhantomJS代码&#34; nextpage.js&#34; 代码点击&#34;下一页&#34;按钮并返回新的URL

var webPage = require('webpage');
var url ='http://www.hornbach.de/shop/Badarmaturen/S476/artikelliste.html';
var fs = require('fs'); 
var page = webPage.create();
var system = require('system');

page.settings.userAgent = 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:40.0) Gecko/20100101 Firefox/40.0';

page.open(url, function(status) {
    if (status === 'success') {
        page.evaluate(function() {
            document.querySelector('a.right:nth-child(3)').click();
        });
        setTimeout(function() {
            var new_url = page.url;
            console.log('URL: ' + new_url);
            phantom.exit();
    }, 2000);
    };
});

一切都不是很优雅,但缺少其他输入我关闭这个,因为它没有任何错误消息