automation - 无头互联网浏览器？

Question

我想做以下事情。登录网站，单击几个特定链接，然后单击下载链接。我想将此作为 Windows 上的计划任务或 Linux 上的 cron 作业运行。我对我使用的语言并不挑剔，但如果可能的话，我希望在不将浏览器窗口放在屏幕上的情况下运行它。

score 159 · Accepted Answer

以下是我所知道的无头浏览器列表：

HtmlUnit - Java。自定义浏览器引擎。有限的 JavaScript 支持/DOM 模拟。开源。
Ghost - 仅限 Python。基于 WebKit。完整的 JavaScript 支持。开源。
斜纹- Python/命令行。自定义浏览器引擎。没有 JavaScript。开源。
PhantomJS - 命令行/所有平台。基于 WebKit。完整的 JavaScript 支持。开源。
Awesomium - C++/.NET/所有平台。基于铬。完整的 JavaScript 支持。商业/免费。
SimpleBrowser - .NET 4/C#。自定义浏览器引擎。不支持 JavaScript。开源。
ZombieJS - Node.js。自定义浏览器引擎。JavaScript 支持/模拟 DOM。开源。基于jsdom。
EnvJS - 通过 Java/Rhino 编写的 JavaScript。自定义浏览器引擎。JavaScript 支持/模拟 DOM。开源。
Watir-webdriver with headless gem - Ruby 通过 WebDriver. 通过浏览器 (Firefox/Chrome/Safari/IE) 提供完整的 JS 支持。
Spynner - 仅限 Python。PyQT 和 WebKit。
jsdom -Node.js。自定义浏览器引擎。通过模拟 DOM 支持 JS。开源。
TrifleJS - 使用 MSIE (Trident) 和 V8 的 PhantomJS 端口。开源。
ui4j - 纯 Java 8 解决方案。一个围绕 JavaFx WebKit 引擎的包装库，包括。无头模式。
Chromium Embedded Framework - Chromium 的完整最新嵌入式版本，可根据需要进行离屏渲染。C/C++，带有 .NET 包装器（和其他语言）。因为它是 Chromium，所以它支持一切。BSD 许可。
Selenium WebDriver - 通过浏览器（Firefox、IE、Chrome、Safari、Opera）完全支持 JavaScript。官方支持的绑定是 C#、Java、JavaScript、Haskell、Perl、Ruby、PHP、Python、Objective-C 和 R。非官方绑定可用于Qt和Go。开源。

通过模拟 DOM 支持 JavaScript 的无头浏览器通常会遇到一些使用更高级/模糊浏览器功能或具有视觉依赖性（例如通过 CSS 位置等）的网站的问题，因此虽然这些网站中的纯 JavaScript 支持browsers 通常是完整的，实际支持的浏览器功能应该被认为只是部分的。

（注意：这篇文章的原始版本只提到了 HtmlUnit，因此评论。如果您知道其他无头浏览器实现并具有编辑权限，请随时编辑此帖子并添加它们。）

score 5 · Accepted Answer

查看twill，一种非常方便的脚本语言，正是您正在寻找的。从例子：

setlocal username <your username>
setlocal password <your password>

go http://www.slashdot.org/
formvalue 1 unickname $username
formvalue 1 upasswd $password
submit

code 200     # make sure form submission is correct!

如果您正在寻找更大的灵活性，还有一个Python API 。

score 4 · Accepted Answer

看看PhantomJS，一个基于 JavaScript 的自动化框架，可用于 Windows、Mac OS X、Linux 和其他 *ix 系统。

使用 PhantomJS，您可以执行以下操作：

console.log('Loading a web page');

var page = new WebPage();
var url = "http://www.phantomjs.org/";

page.open(url, function (status) {
    // perform your task once the page is ready ...
    phantom.exit();
});

或评估页面的标题：

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

PhantomJS 的快速入门页面中的示例。您甚至可以使用render()方法将页面呈现为 PNG、JPEG 或 PDF 。

score 2 · Accepted Answer

我曾经使用 Internet Explorer ActiveX 控件（WebBrowser、MSHTML）做到这一点。您可以在不使其可见的情况下实例化它。

这可以使用任何支持 COM 的语言来完成（Delphi、VB6、VB.net、C#、C++、...）

当然，这是一个快速而肮脏的解决方案，可能不适合您的情况。

score 2 · Accepted Answer

2

PhantomJS 是一个基于 WebKit 的无头浏览器，您可以使用 JavaScript 编写脚本。

于 2011-11-08T17:21:39.260 回答

score 1 · Accepted Answer

除了文件的自动下载（因为那是一个对话框），带有嵌入式 web 控件的 win 表单将执行此操作。

你可以看看Watin和Watin Recorder。它们可能会帮助 C# 代码登录到您的网站、导航到 URL，甚至可能帮助自动下载文件。

虽然是 YMMV。

score 1 · Accepted Answer

如果链接是已知的（例如，您不必在页面上搜索它们），那么您可能可以使用wget. 我相信它将跨多个提取进行状态管理。

如果你更有进取心，那么我会深入研究Python 3.0中的新东西。他们重新编写了 HTTP 堆栈的接口，恕我直言，有一个非常好的接口，容易受到这种类型的脚本的影响。

score 1 · Accepted Answer

服务器上带有 YUI 的 Node.js。看看这个视频：http ://www.yuiblog.com/blog/2010/09/29/video-glass-node/

这个视频中的人 Dav Glass 展示了他如何使用节点从 Digg 获取页面的示例。然后他将 YUI 附加到他抓取的 DOM 上，并且可以完全操纵它。

score 1 · Accepted Answer

1

如果你使用 PHP - 试试http://mink.behat.org/

于 2011-10-23T17:15:10.367 回答

score 0 · Accepted Answer

0

您可以将Watir与 Ruby 一起使用，或者将Watin与单声道一起使用。

于 2009-05-02T12:28:26.933 回答

score 0 · Accepted Answer

您还可以使用 Live Http Headers（Firefox 扩展）来记录发送到站点（登录 -> 链接 -> 下载链接）的标题，然后使用 fsockopen 将它们复制到 php 中。您可能需要更改的唯一内容是您从登录页面收到的 cookie 值。

score 0 · Accepted Answer

.NET 包含System.Windows.Forms.WebBrowser。您可以创建一个实例，将其发送到 URL，然后轻松解析该页面上的 html。然后，您可以点击您找到的任何链接等。

我只对这个对象进行了最低限度的工作，所以我不是专家，但如果您已经熟悉 .NET，那么它可能值得研究。

score 0 · Accepted Answer

0

libCURL可以用来创建这样的东西。

于 2009-05-02T13:15:01.050 回答

score 0 · Accepted Answer

你不能只使用下载管理器吗？

有更好的，但 FlashGet 具有浏览器集成，并支持身份验证。您可以登录，单击一堆链接并将它们排队并安排下载。

你可以写一些东西，比如说，作为一个代理来捕获特定的链接并将它们排队以供以后下载，或者一个 Javascript 小书签，它修改链接去"http://localhost:1234/download_queuer?url=" + $link.href并让下载排队 - 但你会重新发明下载管理器-wheel，并且通过身份验证可能会更复杂..

或者，如果您希望“登录，单击链接”位也自动化 - 查看屏幕抓取.. 基本上您通过 HTTP 库加载页面，找到下载链接并下载它们..

稍微简化的示例，使用 Python：

import urllib
from BeautifulSoup import BeautifulSoup
src = urllib.urlopen("http://%s:%s@example.com" % ("username", "password"))
soup = BeautifulSoup(src)

for link_tag in soup.findAll("a"):
    link = link_tag["href"]
    filename = link.split("/")[-1] # get everything after last /
    urllib.urlretrieve(link, filename)

在使用“用户名”和“密码”的用户名/密码进行身份验证后，这将下载 example.com 上的每个链接。当然，您可以使用BeautifulSoup 的HTML 选择器找到更具体的链接（例如，您可以找到所有带有“下载”类的链接，或以开头的 URL http://cdn.example.com）。

你几乎可以用任何语言做同样的事情。

automation - 无头互联网浏览器？

14 回答 14

Related

Reference