初衷
近日在学习爬虫的时候遇到一个小问题,当在抓取某些网页的时候,在线测试通过的正则匹配在用PHP抓取时却发现只能抓取某些非关键元素。
经过排查,才发现在抓取该页面(是一个电商页面)时,该页面的详情页面是通过JS二次请求动态添加上去的,而PHP(通过curl函数库的方式)只是将其静态页面抓下,所以正则匹配的不是整个渲染好的完整页面,而是一个隐藏了详情板块的页面。
解决方案
大致涉猎了一下,一般业界的解决方法有二:
分析JS文件,模拟JS中的请求
想方法运行JS,抓取JS运行渲染完毕后的页面(本文讲述的方法)
phantomjs

phantomjs 基于WebKit、开源的服务器端JavaScript API, 采用了WebKit内核的phantomjs可以模拟浏览器运行网页,可以浅显的把它理解为除了把访问的页面显示出来。
除此之外,其他浏览器具备的功能它都有了(DOM handling, CSS selector, JSON, Canvas, and SVG),所以可以通过调用它来运行含有JS文件且需要运行的html页面,当然它的用处肯定不止这些,web测试,页面截图,网络监控等等(详见官网文档)。
解决步骤
Step.1 下载(编译)phantomjs文件
这里有两种方式:</