热点技术：使用CasperJS构建Web爬虫

jack

从你的应用中收集数据有时候可能有点困难和艰辛。可能是缺少一个必须的API，或者是有太多的数据需要处理。这时候你就需要借助于web抓取。

不用说了，这可能是个法律雷区，所以要确保你没有逾越法律的边界。

目前有很多工具可以帮助你抓取内容，例如Import.io，但是有时这些工具并不能完全满足你的需要。又或者，像我一样，充满好奇心，希望深入地了解web抓取。

挑战

让我们从一个简单地挑战——网络爬虫开始，让这个爬虫爬取Techmeme，并获得一个当天热门新闻列表！

注意： 在这里我将会使用DZone，但在获取页面时会出现问题。后面会详细说明这个问题。

机器设置

您只需要做很少的工作来完成安装。我假设您已经安装了Node.js（我的意思是谁没有安装呢！）。尽管我们并不直接使用PhantomJS，但是您依然需要安装它。版本2.0.1目前已经可以使用了——您可以从其官网下载或使用homebrew或其他等效的包管理器安装。

如果您使用具有homebrew的Mac，您可以这样安装PhantomJS

brew install phantomjs

下载完成之后，您将需要用相同的方式安装CasperJS。您可以将CasperJS看做PhantomJS的伴侣。它实际上是给您提供相似的网页处理API。尽管它是为网页测试设计的。与PhantomJS相同，它具有丰富的功能使其也非常适合于抓取内容。

CasperJS允许我们编写JavaScript脚本。您可以通过在终端中输入casperjs以测试其是否正确安装并加入到PATH中。

编写脚本

下面我们将编写一个新的JavaScript脚本文件。在我的例子中，我称其为index.js。您需要做的第一件事就是在您的代码中创建一个casper实例。您还需要加入依赖的模块并向其传递一些基本参数。

• var casper = require("casper").create({
• waitTimeout: 10000,
• stepTimeout: 10000,
• verbose: true,
• pageSettings: {
• webSecurityEnabled: false
• },
•     onWaitTimeout: function() {
•           this.echo('** Wait-TimeOut **');
•     },
•     onStepTimeout: function() {
•         this.echo('** Step-TimeOut **');
•     }
• });
  

当您等待一个元素可见时，上面的onWaitTimeout回调将会被调用。例如，点击一个按钮之后，waitTimeout将被超出。

现在，您可以启动casper实例并将其指向我们希望爬取的页面。

• casper.start();
• casper.open("http://techmeme.com");
  

Casper使用一个可靠地框架来帮助您一步一步地运行所有任务。对于第一步，您将希望使用then函数。

• casper.then(function() {
•   //logic here
• });
• //start your script
• casper.run();
  

为了使Casper打开网页并按您的想法运行，您需要调用run函数。

检查网页以获取想要的元素

当抓取到一个网页，您可以假设它具有特定的结构。在您编写脚本之前，可能已经浏览过了网页的源代码，或者已经使用开发者工具观察了页面对特定行为的变化。

所以，让我们开始于一个简单地逻辑，使用CasperJS维护系统确保一个特定的元素在继续之前处于合适的位置。如果元素不存在，脚本将会停止，但 是至少您将会知道其为何停止。这个维护行为对于观察您之前抓取页面的变化是无价的，但是可能会与您之前见到的页面具有不一样的结构。

如果您检查了Techmeme首页的元素，您将会注意到头条新闻部分在一个id为,topcol1的div中。

让我们使用维护功能确保这个元素存在：

• casper.then(function() {
• this.test.assertExists("#topcol1");
  

如果这个元素不存在，测试（例如我们的脚本）将会停止，否则它将继续运行。

您还可以使用waitForSelector函数来获得更为细致的结果：

• this.waitForSelector("#topcol1",
•     function pass () {
•        console.log("Continue");
•     },
•     function fail () {
•         this.die("Did not load element... something is wrong");
•     }
• );
  

使用这个函数的优点就是它允许页面加载元素并一直等待到执行。您在初始配置中指定的waitTimeout将会被用于确定失败前等待多久。

注意：有时，使用CasperJS查找元素可能会出问题。使用capture()函数截取一个CasperJS看到的页面的截图。

this.capture(‘screener.png’);

从页面中提取内容

下面，让我们看看怎样从页面中找出标题。首先，找到包含您需要的内容的元素，在我们的例子中，为class=ii的div。

CasperJS自带一个evaluate函数，可以让您在页面中运行JavaScript，并且您还可以让函数返回一个值以供进一步处理。

这个JavaScript写起来并没有什么不同，您可能注意到，在本例中，我使用的是原始的纯DOM方法，而不是jQuery，同样，如果您愿意，您也可以在evaluate函数中使用jQuery；

• var links = this.evaluate(function(){
• var results = [];  
• var elts = document.getElementsByClassName("ii");
• for(var i = 0; i < elts.length; i++){
• var link = elts.getElementsByTagName("a")[0].getAttribute("href");
• var headline = elts.firstChild.textContent;
• results.push({link: link, headline: headline});
• }
• return results;  
• });
  

如果您在evaluate函数中使用console.log语句，它们将会通过remote.message句柄打印到您的控制台，这将会在下一节中详细介绍。

一旦运行结束，结果将会返回给您。您可以将它们写入文件系统，或者将它们打印到屏幕上：

• console.log("There were "  + links.length + " stories");
• for(var i = 0; i < links.length; i++){
• console.log(links.headline);
• }
  
  

输出的结果如：

抓取中的错误处理

有时，您运行的JavaScript中可能存在错误，或者其对您抓取的页面的处理存在问题。这些情况中，您可以捕获错误并使用remote.message和page.error事件将其打印到控制台：

• casper.on('remote.message', function(msg) {
• this.echo('remote message caught: ' + msg);
• });
• casper.on('page.error', function(msg, trace) {
• this.echo('Error: ' + msg, 'ERROR');
• });
• 您同样还能观察到即将请求的资源，这些资源的加载使用的是resource.error和resource.received事件：
• casper.on('resource.error', function(msg) {
• this.echo('resource error: ' + msg);
• });
• casper.on('resource.received', function(resource) {
•     console.log(resource.url);
• });
  
  

了解更多

本文只写了点关于使用CasperJS你所能做到的皮毛的东西。该项目的文档是完美的，所以要确保查看过 API ，看看你还可以用它来做些什么。

在本系列的下一篇文章中，我回来看看如何从网页上下载图片，而且我也会讨论下如何使用构建到CasperJS中的文件系统函数，其使用会受到比Node.js更多的限制。