Python爬虫制作之PhantomJS的入门用法

直接从浏览器中提取渲染好的HTML文档。如果Ajax请求很多，有时请求参数还进行了加密，我们手动分析每一个Ajax请求，将成为一项繁重的工作，而且没有一定的JavaScript分析功底，很难做到。这个时候第二种方法的好处就体现出来了，直接提取浏览器渲染好的结果，不进行Ajax请求分析，PhantomJS就是这样的一个浏览器。

PhantomJS是一个基于WebKit的服务器端JavaScript API。它全面支持Web而无需浏览器支持，不仅运行快，原生支持各种Web标准：

DOM处理、CSS选择器、JSON、Canvas，和SVG。PhantomJS可以用于页面自动化、网络监测、网页截屏，以及无界面测试等。

PhantomJS可以看做一个没有界面的浏览器，它既有Firefox浏览器、

google浏览器的功能，又因为没有界面而更加快速，占更小的内存，在爬虫开发中非常受欢迎。

9.3.1　安装PhantomJS

PhantomJS安装方法有两种，一种是下载源码之后自行编译，另一种是直接下载编译好的二进制文件，官方推荐直接使用编译好的二进制文件。安装下载地址为：http://phantomjs.org/download.html，包括Windows、Mac OS、Linux版本，自行选择对应版本下载解压即可，建议为PhantomJS设置环境变量。在下载的安装包中，其中有一个example文件夹，里面有很多官方的例子可供学习和参考。

安装完成后在命令行中输入：phantomjs-v。如果正常显示版本号，则证明安装配置成功。图9-5为Windows下的显示结果。

图9-5　phantomJS版本

9.3.2　快速入门

配置完成PhantomJS，下面使用它输出“hello world”。新建一个JavaScript文件hello.js，代码内容为：

console.log('Hello, world!');
phantom.exit();

这时候在命令行中输入：

phantomjs hello.js

输出内容为：Hello，world！。代码中的第一句是在控制台输出“Hello，world！”，第二句是终止phantom的运行，不然程序会一直运行，不会停止。

通过上面的小例子我们已经了解了PhantomJS的基本操作，PhantomJS还有一些有趣而且强大功能。

1.页面加载

通过PhantomJS，一个网页可以被加载、分析和通过创建网页对象呈现。下面演示一个简单的页面加载的例子，并将当前页面进行截图保存。

pageload.js代码如下：

var page = require('webpage').create();
page.open('http://www.cnblogs.com/qiyeboy/', function(status) { console.log("Status: " + status);
if(status === "success") { page.render('qiye.png');
} phantom.exit();
});

在命令行中运行：

phantomjs pageload.js

输出内容为：Status：success，并在当前目录下生成对网页的截图qiye.png，如图9-6所示。

图9-6　qiye.png

代码解释：首先使用webpage模块创建一个page对象，然后通过

page对象打开http://www.cnblogs.com/qiyeboy/网址，如果请求响应状态为success，则通过render方法将当前页面保存为qiye.png图片。

除了打开网页截图之外，还可以对网页的打开进行测速。下面的例子用来计算一个网页的加载速度，同时还用到了给JavaScript脚本传递参数的功能。loadspeed.js代码如下：

var page = require('webpage').create(), system = require('system'), t, address;
if (system.args.length === 1) { console.log('Usage: loadspeed.js <some URL>');
phantom.exit();
} t = Date.now();
address = system.args[1];
page.open(address, function(status) { if (status !== 'success') { console.log('FAIL to load the address');
} else { t = Date.now() - t;
console.log('Loading ' + system.args[1]);
console.log('Loading time ' + t + ' msec');
} phantom.exit();
});

在命令行中输入：

phantomjs loadspeed.js http://www.cnblogs.com/qiyeboy/

输出结果为：

Loading http://www.cnblogs.com/qiyeboy/ Loading time 793 msec

代码解释：首先使用webpage模块创建一个page对象，使用system模块获取系统对象system，并声明了两个变量t和address，用来保存时间和传入参数。如果传入参数的长度等于1，说明要加载的地址没有传入，进行提示并退出phantom。为什么要等于1呢？因为

phantomjs loadspeed.js第一个参数是loadspeed.js。接着获取当前的时间，然后打开网页，获取加载完成后的时间，进行相减即可。

2.代码评估

为了评估网页中的JavaScript代码，可以利用evaluate。这个执行是“沙盒式”的，它不会去执行网页外的JavaScript代码。evaluate方法可以返回一个对象，然而返回值仅限于对象，不能包含函数（或闭包）。比如我们可以使用evaluate方法获取http://www.cnblogs.com/
qiyeboy/页面的标题，evaluate.js代码如下：

var url = 'http://www.cnblogs.com/qiyeboy/';
var page = require('webpage').create();

page.open(url, function(status) { var title = page.evaluate(function() { return document.title;
});
console.log('Page title is ' + title);
phantom.exit();
});

在命令行中输入：

phantomjs evaluate.js

输出结果为：

Page title is七夜的故事 - 博客园

任何来自于网页并且包括来自evaluate（）内部代码的控制台信息，默认不会显示。要覆盖此行为，使用onConsoleMessage回调方法。将evaluate.js代码改动如下：

var url = 'http://www.cnblogs.com/qiyeboy/';
var page = require('webpage').create();
page.onConsoleMessage = function(msg) { console.log('Page title is ' + msg);

};
page.open(url, function(status) { page.evaluate(function() { console.log(document.title);
});
phantom.exit();
});

在命令行中输入：

phantomjs evaluate.js

输出结果为：

Page title is七夜的故事 - 博客园

9.3.3　屏幕捕获

上节简单讲解了如何将网页保存为一张图片，下面详细解释一下这个屏幕捕获的功能。由于PhantomJS使用的是WebKit内核，一个真正的布局和渲染引擎，它可以捕捉一个网页的屏幕截图。另外

PhantomJS可以渲染网页上的元素，所以它不仅可以用于HTML和CSS的内容转换，还可以用于SVG和画布。PhantomJS不仅可以将网页保存为png格式，还可以保存为jpg、gif和pdf格式。下面将

pageload.js代码进行改动，转成pdf格式，代码如下：

var page = require('webpage').create();
page.open('http://www.cnblogs.com/qiyeboy/', function(status) { console.log("Status: " + status);
if(status === "success") { page.render('qiye.pdf');
} phantom.exit();
});

最后生成的pdf文件，效果如图9-7所示。

图9-7　qiye.pdf

PhantomJS不仅可以将页面转化为不同的文件格式，还可以对视图进行缩放和裁剪，主要用到page对象中两个非常重要的属性：

viewportSize和clipRect。viewportSize是视区的大小，其作用可以看做是将打开的浏览器窗口进行缩放。clipRect是在这个视区中裁剪矩形的大小，需要四个参数，前两个是基准点，后两个参数是宽高。下面将pageload.js进行改动，代码如下：

var page = require('webpage').create();
page.viewportSize = { width: 1024, height: 768 };
page.clipRect = { top: 0, left: 0, width: 512, height: 256 };
page.open('http://www.cnblogs.com/qiyeboy/', function(status) { console.log("Status: " + status);
if(status === "success") { page.render('qiye.png');
} phantom.exit();
});

效果如图9-8所示，只是截取出了顶端一角。

图9-8　网页裁剪

9.3.4　网络监控

因为PhantomJS允许检验网络流量，因此它适合分析网络行为和性能，实现对网络的监听。当向远程服务器发送请求时，可以使用

onResourceRequested和onResourceReceived两个方法嗅探所有的资源请求和响应。示例netmonitor.js代码如下：

var url = 'http://www.cnblogs.com/qiyeboy/';
var page = require('webpage').create();
page.onResourceRequested = function(request) { console.log('Request ' + JSON.stringify(request, undefined, 4));
};
page.onResourceReceived = function(response) { console.log('Receive ' + JSON.stringify(response, undefined, 4));

};
page.open(url);

在命令行中输入：

phantomjs netmonitor.js

请求和响应的信息会以JSON的格式进行显示，效果如图9-9所示。

图9-9　网络监控

9.3.5　页面自动化

PhantomJS可以加载和处理一个网页，非常适用于自动化处理，

PhantomJS中标准JavaScript的DOM操作和CSS选择器都是生效的。

下面使用一个小例子讲解一下DOM操作，获取MTime时光网的影评信息，HTML标记位置如图9-10所示。

图9-10　评分和票房标记

示例代码如下：

var page = require('webpage').create();

console.log('The default user agent is ' + page.settings.userAgent);
page.settings.userAgent = 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:49.0)
Gecko/20100101 Firefox/49.0';
page.open('http://movie.mtime.com/108737/', function(status) { if (status !== 'success') { console.log('Unable to access network');
} else { var ua = page.evaluate(function() { return document.getElementById('ratingRegion').textContent;
});
console.log(ua);
} phantom.exit();
});

输出结果如下：

The default user agent is Mozilla/5.0 (Windows NT 6.1; WOW64)
AppleWebKit/　538.1(KHTML, like Gecko) PhantomJS/2.1.1 Safari/538.1 7.7总分：104,335人评分 4,299人想看音乐 画面 导演 故事 …票房：5.
92亿元

代码解释：首先创建page对象，接着将默认的User-Agent进行了修改，打开指定网页，当加载完成之后，执行DOM操作，获取id为

ratingRegion元素下的内容，并打印出来。

大家可以看一下默认UserAgent的内容，会发现里面包含了

PhantomJS关键字，一些网站就是通过这个关键字来识别是否正在使用PhantomJS爬取数据。

在1.6版本之后PhantomJS允许添加外部的JS库，比如下面的例子添加了jQuery，然后执行了jQuery代码。

var page = require('webpage').create();
page.open('http://www.sample.com', function() { page.includeJs("http://ajax.googleapis.com/ajax/libs/jquery/1.6.1/jquery.min
.js", function() { page.evaluate(function() { $("button").click();
});
phantom.exit()
});
});

9.3.6　常用模块和方法

上面的例子中我们用到了phantom、webpage和system模块，在这三个模块基础上再讲一个fs模块。

1.phantom

对于phantom，主要讲解其中的五个方法，如表9-2所示。

表9-2　phantom方法

2.webpage

对于webpage，主要说一下includeJs、open两个普通方法，

onInitialized、onLoadFinished两个回调方法。

includeJs方法原型为includeJs（url，callback）{void}，功能是包含从指定的URL获取远程javaScript脚本，并执行回调方法。示例代码如下：

var webPage = require('webpage');
var page = webPage.create();
page.includeJs( // Include the https version, you can change this to http if you like.
'https:// ajax.googleapis.com/ajax/libs/jquery/1.8.2/jquery.min.js', function() { (page.evaluate(function() { // jQuery is loaded, now manipulate the DOM var $loginForm = $('form# login');

$loginForm.find('input[name="username"]').value('phantomjs');
$loginForm.find('input[name="password"]').value('c45p3r');
}))
} );

open方法比较复杂，有四种函数重载方式，分别为open（url，

callback）{void}、open（url，method，callback）{void}、

open（url，method，data，callback）{void}、open（url，settings，

callback）{void}。open（url，callback）方法之前已经用过，第二种和第三种方式类似，所以下面主要说一下后两种形式。

open（url，method，data，callback）中url为链接，method为

GET或者POST请求，data为附加的数据，callback为回调函数。示例如下，用于发送一个POST请求。

var webPage = require('webpage');
var page = webPage.create();
var postBody = 'user=username&password=password';
page.open('http://www.google.com/', 'POST', postBody, function(status) { console.log('Status: ' + status);
// Do other things here...
});

open（url，settings，callback）中url为链接，setting为对请求头

和内容的设置，callback为回调函数。示例如下：

var webPage = require('webpage');
var page = webPage.create();
var settings = { operation: "POST", encoding: "utf8", headers: { "Content-Type": "application/json"
}, data: JSON.stringify({ some: "data", another: ["custom", "data"] })
};
page.open('http://your.custom.api', settings, function(status) { console.log('Status: ' + status);
// Do other things here...
});

onInitialized是回调方法，在webpage对象被创建之后，url被加载之前被调用，主要是用来操作一些全局变量。示例代码如下：

var webPage = require('webpage');
var page = webPage.create();

page.onInitialized = function() { page.evaluate(function() { document.addEventListener('DOMContentLoaded', function() { console.log('DOM content has loaded.');
}, false);
});
};

onLoadFinished是回调方法，在页面加载完成之后调用，方法还有一个参数status。如果加载成功status为success，否则为fail。

webpage中open方法就是用这个方法作为回调函数。示例代码如下：

var webPage = require('webpage');
var page = webPage.create();
page.onLoadFinished = function(status) { console.log('Status: ' + status);
// Do other things here...
};

3.system

system模块只有属性，没有方法。下面通过表9-3列举一下

system的属性及其含义。

表9-3　system属性

4.fs

fs模块全称为File System，主要是对文件系统进行操作。该模块方法很多，这里主要讲解创建文件、判断文件是否存在、读写文件的方法，如表9-4所示。

表9-4　fs方法

以上介绍了一些常用模块和方法，如果大家想详细了解相关内容，可以去phantom官网（http://phantomjs.org/api/）查看完整的API文档。

• python