Question

我需要抓取网站上的所有页面（crwling部分工作正常。）因此我需要使用node.js在我的服务器上运行 THIS 脚本。我尝试实现以下逻辑：

main.html.twig

如果您看到我的访问页面功能，您将看到以下两行代码：

var request = require('request');
var cheerio = require('cheerio');
var URL = require('url-parse');
var jsdom = require("jsdom");
var { JSDOM } = jsdom;

var START_URL = "http://balneol.com/";
var SEARCH_FONT = "helvetica";
var MAX_PAGES_TO_VISIT = 100000;

var pagesVisited = {};
var numPagesVisited = 0;
var pagesToVisit = [];
var url = new URL(START_URL);
var baseUrl = url.protocol + "//" + url.hostname;

pagesToVisit.push(START_URL);
crawl();

function crawl() {
  if(numPagesVisited >= MAX_PAGES_TO_VISIT) {
    console.log("Reached max limit of number of pages to visit.");
    return;
  }
  var nextPage = pagesToVisit.pop();
  if (nextPage in pagesVisited) {
    // We've already visited this page, so repeat the crawl
    crawl();
  } else {
    // New page we haven't visited
    visitPage(nextPage, crawl);
  }
}

function visitPage(url, callback) {
  // Add page to our set
  pagesVisited[url] = true;
  numPagesVisited++;

  // Make the request
  console.log("Visiting page " + url);
  request(url, function(error, response, body) {
     // Check status code (200 is HTTP OK)

     console.log("Status code: " + response.statusCode);
     if(response.statusCode !== 200) {
       callback();
       return;
     }
     // Parse the window.document body
    //  var window  = jsdom.jsdom(body).defaultView();

    var { window } = new JSDOM(body);

     //var $ = cheerio.load(body);
     var helveticaFound = searchForHelvetica(window, 'font-family');
     if(helveticaFound) {
       console.log('Word ' + SEARCH_FONT + ' found at page ' + url);
     } else {
       collectInternalLinks($);
       // In this short program, our callback is just calling crawl()
       // callback();
     }
  });
}

function searchForHelvetica( window , css) {

    if(typeof getComputedStyle == "undefined")
    getComputedStyle= function(elem){
        return elem.currentStyle;
    }
    var who, hoo, values= [], val,
    nodes= window.document.body.getElementsByTagName('*'),
    L= nodes.length;

    for(var i= 0; i<L; i++){
        who= nodes[i];

        console.log(nodes[i]);

        if(who.style){
            hoo= '#'+(who.id || who.nodeName+'('+i+')');

            console.log(who.style._values);

            // return false;

            val= who.style.fontFamily || getComputedStyle(who, '')[css];
            if(val){
                if(verbose) values.push([hoo, val]);
                else if(values.indexOf(val)== -1) values.push(val);
                // before IE9 you need to shim Array.indexOf (shown below)
            }
        }
    }

    // console.log(values);

    // return values;

}

function collectInternalLinks($) {
    var relativeLinks = $("a[href^='/']");
    console.log("Found " + relativeLinks.length + " relative links on page");
    relativeLinks.each(function() {
        pagesToVisit.push(baseUrl + $(this).attr('href'));
    });
}

正如您在第二行看到的那样，我将var { window } = new JSDOM(body); var helveticaFound = searchForHelvetica(window, 'font-family');对象传递给window函数。

在我的searchForHelvetic函数中，如果我searchForHelvetic，我没有获得html元素，因此脚本的其余部分确实没有按预期运行。 jsdom console.log(nodes[i]);与浏览器中的window对象有什么不同？我如何让脚本工作？ I.E.基本上使用窗口对象来运行页面上的所有页面并吐出页面上使用的所有字体？

修改:: - 要将问题细分到微观级别，如果我window函数内的console.log(who);，我会得到以下结果：

searchForHelvetica

等。

但如果我在网络浏览器中做同样的事情，那么结果世界会有所不同。

HTMLElement {}
HTMLDivElement {}
HTMLDivElement {}
HTMLDivElement {}
HTMLAnchorElement {}
HTMLImageElement {}
HTMLDivElement {}
HTMLFormElement {}
HTMLDivElement {}
HTMLLabelElement {}
HTMLInputElement {}
HTMLButtonElement {}
HTMLButtonElement {}
HTMLSpanElement {}

我如何在node.js中获得类似的结果？

如何使用node.js获取页面上使用的所有字体？

0 个答案: