使用 Node.js 抓取 JavaScript 生成的网站

Question

当我解析静态 html 页面时，我的 node.js 应用程序运行良好。但是，当 url 是 JavaScript 生成的页面时，应用程序将无法运行。如何抓取 JavaScript 生成的网页？

我的 app.js

var express = require('express'),
  fs = require('fs'),
  request = require('request'),
  cheerio = require('cheerio'),
  app = express();

app.get('/scrape', function( req, res ) {

  url = 'http://www.apache.org/';

  request( url, function( error, response, html ) {
    if( !error ) {
      var $ = cheerio.load(html);

      var title, release, rating;
      var json = { title : "" };

      $('body').filter(function() {
        var data = $(this);
        title = data.find('.panel-title').text();
        json.title = title;
      })
    }

    fs.writeFile('output.json', JSON.stringify(json, null, 4), function(err) {
      console.log( 'File successfully written! - Check your project directory for the output.json file' );
    });

    // Finally, we'll just send out a message to the browser reminding you that this app does not have a UI.
    res.send( 'Check your console!' );
  });
});

app.listen('8081');
console.log('Magic happens on port 8081');
exports = module.exports = app;

Answer 1

Cheerio 不会执行页面上的 javascript，因为它只是用于解析纯 HTML。

我建议使用 PhantomJS 之类的不同方法：http://phantomjs.org/