小编典典

使用C#由javascript生成的抓取网页

c#

我有一个webBrowser,在Visual Studio中有一个标签,基本上我想做的就是从另一个网页中抓取一个部分。

我尝试使用WebClient.DownloadString和WebClient.DownloadFile,在JavaScript加载内容之前,它们都为我提供了网页的源代码。我的下一个想法是使用WebBrowser工具,并在页面加载后仅调用webBrowser.DocumentText,但该方法不起作用,它仍然为我提供了页面的原始来源。

有什么办法可以获取JavaScript后加载的页面?


阅读 381

收藏
2020-05-19

共1个答案

小编典典

问题在于浏览器通常会执行javascript,并且会生成更新的DOM。除非您可以分析JavaScript或拦截其使用的数据,否则您将需要像浏览器一样执行代码。在过去,我遇到了同样的问题,我利用selenium和PhantomJS渲染页面。呈现页面后,我将使用WebDriver客户端浏览DOM并检索所需的内容,然后发布AJAX。

从高层次上讲,这些步骤是:

  1. 已安装的硒:http : //docs.seleniumhq.org/
  2. 将硒中心作为服务启动
  3. 下载的phantomjs(无头浏览器,可以执行javascript):http ://phantomjs.org/
  4. 在webdriver模式下启动phantomjs指向selenium hub
  5. 在我的抓取应用程序中安装了webdriver客户端nuget软件包: Install-Package Selenium.WebDriver

这是phantomjs网络驱动程序的示例用法:

var options = new PhantomJSOptions();
options.AddAdditionalCapability("IsJavaScriptEnabled",true);

var driver = new RemoteWebDriver( new URI(Configuration.SeleniumServerHub),
                    options.ToCapabilities(),
                    TimeSpan.FromSeconds(3)
                  );
driver.Url = "http://www.regulations.gov/#!documentDetail;D=APHIS-2013-0013-0083";
driver.Navigate();
//the driver can now provide you with what you need (it will execute the script)
//get the source of the page
var source = driver.PageSource;
//fully navigate the dom
var pathElement = driver.FindElementById("some-id");

有关硒,phantomjs和webdriver的更多信息,可以在以下链接中找到:

http://docs.seleniumhq.org/

http://docs.seleniumhq.org/projects/webdriver/

http://phantomjs.org/

编辑:更简单的方法

似乎有一个适用于phantomjs的nuget程序包,因此您不需要集线器(我使用集群以这种方式进行大量报废):

安装网络驱动程序:

Install-Package Selenium.WebDriver

安装嵌入式exe:

Install-Package phantomjs.exe

更新的代码:

var driver = new PhantomJSDriver();
driver.Url = "http://www.regulations.gov/#!documentDetail;D=APHIS-2013-0013-0083";
driver.Navigate();
//the driver can now provide you with what you need (it will execute the script)
//get the source of the page
var source = driver.PageSource;
//fully navigate the dom
var pathElement = driver.FindElementById("some-id");
2020-05-19