47

我正在尝试从当用户向下滚动到底部（无限滚动）时动态生成内容的页面中抓取链接。我尝试使用 Phantomjs 做不同的事情，但无法收集第一页以外的链接。假设底部加载内容的元素具有 class .has-more-items。它在滚动时加载最终内容之前可用，然后在 DOM 中变得不可用（显示：无）。这是我尝试过的事情-

  • 之后立即将 viewportSize 设置为较大的高度var page = require('webpage').create();

page.viewportSize = { 宽度：1600，高度：10000，};

  • page.scrollPosition = { top: 10000, left: 0 }在内部使用page.open但没有效果，例如-
page.open('http://example.com/?q=houston', function(status) {
   if (status == "success") {
      page.scrollPosition = { top: 10000, left: 0 };  
   }
});
  • 还尝试将其放入page.evaluate函数中，但这给出了

参考错误：找不到变量页面

  • 尝试在内部使用 jQuery 和 JS 代码page.evaluate，page.open但无济于事-

$("html, body").animate({ scrollTop: $(document).height() }, 10, function() { //console.log('检查执行'); });

照原样，也在里面document.ready。同样对于 JS 代码-

window.scrollBy(0,10000)

照原样，也在里面window.onload

我现在真的被它打了两天，却找不到办法。任何帮助或提示将不胜感激。

更新

我在https://groups.google.com/forum/?fromgroups=#!topic/phantomjs/8LrWRW8ZrA0找到了一段有用的代码

var hitRockBottom = false; while (!hitRockBottom) {
    // Scroll the page (not sure if this is the best way to do so...)
    page.scrollPosition = { top: page.scrollPosition + 1000, left: 0 };

    // Check if we've hit the bottom
    hitRockBottom = page.evaluate(function() {
        return document.querySelector(".has-more-items") === null;
    }); }

我想访问的元素类在哪里.has-more-items，它最初在页面底部可用，当我们向下滚动时，它会进一步向下移动，直到所有数据都加载完毕然后变得不可用。

但是，当我测试时，很明显它在没有向下滚动的情况下运行到无限循环（我渲染图片以检查）。我也尝试page.scrollPosition = { top: page.scrollPosition + 1000, left: 0 };用下面的代码替换（一次一个）

window.document.body.scrollTop = '1000';
location.href = ".has-more-items";
page.scrollPosition = { top: page.scrollPosition + 1000, left: 0 };
document.location.href=".has-more-items";

但似乎没有任何效果。

4

4 回答 4

46

找到了一种方法来做到这一点，并试图适应你的情况。我没有测试找到页面底部的最佳方法，因为我有不同的上下文，但请查看下面的解决方案。这里的问题是您必须稍等片刻才能加载页面并且 javascript 异步工作，因此您必须使用setIntervalor setTimeout(请参阅) 来实现这一点。

page.open('http://example.com/?q=houston', function () {

  // Check for the bottom div and scroll down from time to time
  window.setInterval(function() {
      // Check if there is a div with class=".has-more-items" 
      // (not sure if there's a better way of doing this)
      var count = page.content.match(/class=".has-more-items"/g);

      if(count === null) { // Didn't find
        page.evaluate(function() {
          // Scroll to the bottom of page
          window.document.body.scrollTop = document.body.scrollHeight;
        });
      }
      else { // Found
        // Do what you want
        ...
        phantom.exit();
      }
  }, 500); // Number of milliseconds to wait between scrolls

});
于 2013-07-20T02:49:29.103 回答
4

我知道很久以前就已经回答了，但我也找到了针对我的具体场景的解决方案。结果是一段滚动到页面底部的javascript。它经过优化以减少等待时间。

默认情况下它不是为 PhantomJS 编写的，因此必须对其进行修改。但是，对于初学者或没有 root 访问权限的人来说，带有注入 javascript 的 iframe（使用 --disable-javascript 参数运行 Google Chrome）是抓取较小的 ajax 页面集的一种很好的替代方法。主要的好处是它很容易调试，因为你可以直观地看到你的爬虫发生了什么。

function ScrollForAjax () {

    scrollintervals = 50;
    scrollmaxtime = 1000;

    if(typeof(scrolltime)=="undefined"){
        scrolltime = 0;
    }

    scrolldocheight1 = $(iframeselector).contents().find("body").height();

    $("body").scrollTop(scrolldocheight1);
    setTimeout(function(){

        scrolldocheight2 = $("body").height();

        if(scrolltime===scrollmaxtime || scrolltime>scrollmaxtime){
            scrolltime = 0;
            $("body").scrollTop(0);
            ScrapeCurrentPage(iframeselector);
        }

        else if(scrolldocheight2>scrolldocheight1){
            scrolltime = 0;
            ScrollForAjax (iframeselector);
        }

        else if(scrolldocheight1>=scrolldocheight2){
            ScrollForAjax (iframeselector);
        }

    },scrollintervals);

    scrolltime += scrollintervals;
}

scrollmaxtime 是一个超时变量。希望这对某人有用:)

于 2014-05-07T07:58:28.767 回答
2

“正确”的解决方案对我不起作用。而且，从我读过的内容来看，CasperJS 没有使用window（但我可能错了），这让我怀疑它是否window有效。

以下在 Firefox/Chrome 控制台中对我有用；但是，在 CasperJS（casper.evaluate函数内）中不起作用。

$(document).scrollTop($(document).height());

在 CasperJS 中对我有用的是：

casper.scrollToBottom();
casper.wait(1000, function waitCb() {
  casper.capture("loadedContent.png");
});

这在casper.capture进入 Casper 的then功能时也有效。

但是，上述解决方案不适用于 Twitter 等某些网站；jQuery 似乎破坏了该功能，在 Twitter 中工作时casper.scrollToBottom()我不得不删除对 j​​Query 的引用。clientScripts

var casper = require('casper').create({
    clientScripts: [
       // 'jquery.js'
    ]
});

一些网站（例如 BoingBoing.net）似乎与 jQuery 和 CasperJS 一起工作得很好scrollToBottom()。不知道为什么有些网站可以工作而其他网站不能。

于 2014-05-04T21:22:28.907 回答
1

下面的代码片段适用于 pinterest。我进行了很多研究以在没有 phantomjs 的情况下抓取 pinterest，但无法找到无限滚动触发链接。我认为下面的代码将有助于其他无限滚动网页的抓取。

page.open(pageUrl).then(function (status) {
    var count = 0;
    // Scrolls to the bottom of page
    function scroll2btm() {
        if (count < 500) {
            page.evaluate(function(limit) {
                window.scrollTo(0, document.body.scrollHeight || document.documentElement.scrollHeight);
                return document.getElementsByClassName('pinWrapper').length; // use desired contents (eg. pin) selector for count presence number
            }).then(function(c) {
                count = c;
                console.log(count); // print no of content found to check
            });
            setTimeout(scroll2btm,3000);
        } else {
            // required number of item found
        }
    }
    scroll2btm();
});
于 2016-03-01T07:55:37.760 回答