从现场比分网站抓取网页
Posted
技术标签:
【中文标题】从现场比分网站抓取网页【英文标题】:Web scraping from a live score site 【发布时间】:2016-02-03 15:37:42 【问题描述】:我正在尝试从实时比分网站获取数据。 我将 node.js 与 express.js、request.js 和cheerio.js 一起使用以从网页获取 html。 它适用于 HTML 的某些部分,但不适用于活动部分。
我正在尝试从网站http://www.flashresultats.com 抓取数据。 当我使用 Chrome 开发者工具时,我可以看到 HTML 内容,但是当我使用我的 javascript 代码时,结果是空的。
这是我试图提取的内容的 Chrome 捕获:
这是我正在使用的代码:
var express = require('express');
var fs = require('fs');
var request = require('request');
var cheerio = require('cheerio');
var app = express();
url = 'http://www.flashresultats.fr'
request(url, function(error, response, html)
if(!error)
var $ = cheerio.load(html);
var myvar = $('#g_1_UJzOgxfc').html();
console.log(myvar);
else
console.log('Error');
)
【问题讨论】:
您是否尝试过console.log(html)
来查看整个HTML 是否为空,或者是否没有带有g_1_UJzOgxfc
id 的元素?
在第一印象中,数据似乎是在原始站点上异步加载的,所以这就解释了为什么它不在页面的源中。您必须找出异步加载数据的来源,然后直接从那里加载/抓取。
console.log(html)
显示页面的 HTML,但分数不会出现在其中。根据屏幕截图,ID g_1_UJzOgxfc
存在于 HTML 中
你必须使用一个可以处理异步动态加载内容的刮板。或者查看他们为获取内容而进行的 Ajax 调用并对其进行逆向工程。
***.com/questions/28739098/…
【参考方案1】:
如果你得到你网站的源代码:view-source:http://www.flashresultats.fr/,按ctrl+f
并搜索g_1_UJzOgxfc
节点,你不会找到它。在加载初始文档后,它肯定是在 javascript 的帮助下生成的。这就是为什么您不能通过发送一个简单的请求得到它的原因。
因此,为了获得动态创建的元素,您应该运行嵌入在从您的请求中收到的正文中的 javascript。你可以使用PhantomJs bridge模块来获取它:
var phantom = require('phantom');
phantom.create(function (ph)
ph.createPage(function (page)
page.open("http://www.flashresultats.fr", function (status)
page.evaluate(function () return document.getElementById('g_1_UJzOgxfc'); , function (result)
console.log('g_1_UJzOgxfc element is:' + result);
ph.exit();
);
);
);
);
【讨论】:
以上是关于从现场比分网站抓取网页的主要内容,如果未能解决你的问题,请参考以下文章
在没有 [href] 的多层网站上进行 Python 网页抓取