如何解析 DOM(反应)
Posted
技术标签:
【中文标题】如何解析 DOM(反应)【英文标题】:How to parse DOM (REACT) 【发布时间】:2015-07-10 11:11:27 【问题描述】:我正在尝试从网站上抓取数据。该网站使用 Facebook 的 React。因此,我可以使用 Jaunt 解析的源代码与我在使用 Chrome 的检查器检查元素时看到的代码完全不同。
我对这一切知之甚少,但做了一些研究后,我认为这与 DOM 而不是源代码有关。我需要一种方法来获取此 DOM 代码,因为原始源代码不包含我想要的任何内容,但我不知道从哪里开始(即使在这里阅读了很多答案)。
Here 是我要抓取的页面的一个示例。例如,要抓取描述,我想抓取标签之间的内容:
<span class="light-font extended-card-description list-group-item">Example description....</span>
但正如您所见,此元素仅在您“Inspect Element”时出现,而不是在我仅查看页面源时出现。
我对各位天才的问题是,我怎样才能获取这个 DOM 代码并开始抓取我真正想要的元素?
如果我的术语完全不正确,请原谅我,但正如我所说,这对我来说是一个全新的领域,我已经完成了我能做的研究。
非常感谢您!
【问题讨论】:
Jaunt 的网站称它是“不需要 javascript 支持时的理想工具”。如果您正在检查的元素不在源代码中,那么它们很可能是由 Javascript 动态创建的。我猜 Jaunt 是错误的工具。 ***.com/questions/10872382/… ***.com/questions/18539491/… 谢谢@ultranaut。但是,当我尝试使用我提供的链接创建一个 htmlPage 对象时,我得到了一个巨大的错误,你有使用 HtmlUnit 给我额外帮助的经验吗? 你也可以用 HTMLUnitDriver 试试 selenium - code.google.com/p/selenium/wiki/GettingStarted。 【参考方案1】:ReactJS 与许多其他 Javascript 库/框架一样,使用客户端代码 (Javascript) 来呈现最终的 HTML。这意味着当您、Jaunt 或您的浏览器从服务器获取 HTML 源代码时,它还不包含用户将看到的最终代码。浏览器需要运行页面中包含的 Javascript 程序,以生成您希望抓取的最终内容。
我最喜欢这种工作的工具是CasperJS
它(或者更确切地说是 CasperJS 使用的 PhantomJS 工具)是一个无头浏览器,这意味着它是一个 Webkit 版本(如 Chrome 或 Safari),已经剥离了所有 GUI(窗口、按钮、菜单)。剩下的是可以从终端或 Java 程序运行的工具。它不会在屏幕上显示任何窗口,但会获取您要求它访问的网页;运行它们包含的任何 Javascript;然后响应您的命令,例如“单击此链接”、“给我该文本”、“捕获屏幕截图”等。
让我们从一个简单的ReactJS example开始:
我们想要抓取“Hello John”文本,但是如果您查看纯 HTML 源代码(Ctrl+U 或 Alt +Ctrl+U) 你不会看到它。另一方面,如果您在浏览器中打开控制台并使用以下选择器,您将获得文本:
> document.querySelector('#helloExample .playgroundPreview').textContent
"Hello John"
这是一个简单的 CasperJS 脚本来做同样的事情:
var casper = require("casper").create();
casper.start("http://facebook.github.io/react/index.html", function()
this.echo(this.fetchText("#helloExample .playgroundPreview"));
);
casper.run();
您可以将其保存为hello.js
并在终端使用casperjs hello.js
执行它,或者使用等效的Java 代码Runtime.getRuntime().exec(...)
这是一个更好的脚本,它可以避免加载图像和第三方资源(例如 Facebook 按钮、Twitter 按钮、Google Analytics 等),从而将加载时间缩短一半。它还添加了一个waitForSelector
步骤,这样我们就不会冒险在 ReactJS 有机会创建文本之前尝试获取文本。
var casper = require("casper").create(
pageSettings:
loadImages: false
);
casper.on('resource.requested', function(requestData, request)
if (requestData.url.indexOf("http://facebook.github.io/") != 0)
request.abort();
);
casper.start("http://facebook.github.io/react/index.html", function()
this.waitForSelector("#helloExample .playgroundPreview", function()
this.echo(this.fetchText("#helloExample .playgroundPreview"));
);
);
casper.run();
如何安装 CasperJS
我在使用旧版本的 PhantomJS 和 CasperJS 抓取 ReactJS 和其他现代 Javascript 页面时遇到了一些麻烦,因此我建议从 GitHub 安装 PhantomJS 2.0 和最新的 CasperJS。
对于 PhantomJS,您只需下载 the official 2.0 package。
对于 CasperJS,由于它是一个 Python 脚本,因此您应该能够从 GitHub 上查看最新的提交并将 bin/casperjs
链接到您的 PATH 中。这是适用于 Linux 或 Mac OS X 的脚本:
> git clone git://github.com/n1k0/casperjs.git
> cd casperjs
> ln -sf `pwd`/bin/casperjs /usr/local/bin/casperjs
您可能还想从您的bin/bootstrap.js
文件中注释掉打印Warning PhantomJS v2.0 ...
的行。
【讨论】:
感谢所有这些!以上是关于如何解析 DOM(反应)的主要内容,如果未能解决你的问题,请参考以下文章
如何使 Material UI 反应按钮充当 react-router-dom 链接?