PhantomJS基础及示例

冷不防 2022-08-09 09:25 117阅读 0赞

## 概述 ##

> PhantomJS is a headless WebKit scriptable with a JavaScript API. It has fast and native support for various web standards: DOM handling, CSS selector, JSON, Canvas, and SVG.（[http://phantomjs.org/][http_phantomjs.org]）

PhantomJS是一个无界面的webkit内核浏览器，你可以把它当作一个没有界面的Safari。

### 安装 ###

目前PhantomJS的最新版本的2.0，官方文档中有提到说：如果在使用老版本时碰到一些难解的bug，可以升级到最新版试试。

## windows ##

直接下载[phantomjs-2.0.0-windows.zip][]，并解压，将bin文件夹中的可执行文件phantomjs.exe的路径添加到环境变量后(可能需要重启机器才能生效)，就可以在命令行环境（cmd或[cygwin][]）中使用phantomjs命令执行js文件了。

## Linux ##

### 安装二进制文件包 ###

可以在[Bitbucket][]下载已经编译好的二进制文件安装包，不过目前Linux提供到PhantomJS 1.9.8的安装包，最新的PhantomJS 2.0还没有发布。  
安装方式：  
1. 下载[phantomjs-1.9.8-linux-x86\_64.tar.bz2][phantomjs-1.9.8-linux-x86_64.tar.bz2]  
2. 进入安装目录，解压二进制文件

> cd /usr/local
    > tar zxvf phantomjs-1.9.8-linux-x86_64.tar.bz2

1.  创建软链接mysql指向解压出来的文件夹，或将解压出来的文件夹重命名为phantomjs:

> ln -sf phantomjs-1.9.8-linux-x86_64/bin/phantomjs phantomjs

### 编译源码的方式 ###

由于WebKit模块中有数千个文件，因此由源码编译PhantomJS会花费很长的时间，文档上说，开四个并行的进程进行编译工作，需要超过30分钟的时间，因此官方文档推荐直接下载和安装二进制文件。  
具体的安装方法，这里就不再赘述，大家可以到[官方文档][Link 1]上查看。

### 是否安装成功 ###

我们可以使用下面的命令来查看PhantomJS是否安装成功：

> phantomjs -v

命令运行phantomjs xxx.js即可执行一个PhantomJS程序。

## webpage模块 ##

webpage是PhantomJS的核心模块，你可以通过以下方式，获得一个webpage模块的实例：

var webPage = require("webpage"),
        page = webPage.create();

### open() ###

打开一个url链接，并加载对应的页面，一旦页面加载完成，就会触发回调，你也可以使用`page.onLoadFinished`方法来监听页面是否加载完成。下面，我们来用open()方法打开[腾讯课堂][Link 2]：

var page = require("webpage").create;
    
    page.open("http://ke.qq.com", function(status) { 
        if(status !== "success") {
            console.log("open fail!");
        }
        phantom.exit();
    });

上面的代码中，open()方法接受了两个参数。第一个参数是要打开网页的url`(要记得加协议头哦！)`，默认使用GET方法打开，第二个参数是回调参数，网页加载完成后该函数将会执行，它的参数`status`表示网页是否打开成功，打开成功就是`success`，否则就是`fail`。要注意的是，只要收到服务器返回的结果，`status`参数就是`success`，即使服务器返回的是404或500错误。  
我们也可以使用其他的http方法打开页面。

var webPage = require("webpage");
    var page = webPage.create();
    var postBody = "user=username&password=password";
    
    page.open("http://www.google.com/", "POST", postBody, function(status) { 
      console.log("Status: " + status);
      // Do other things here...
    });

上面的代码是官方文档的事例，使用POST方法向服务器发送数据。open方法的第二个参数用来指定HTTP方法，第三个参数用来指定该方法所要使用的数据。  
从PhantomJS 1.9开始，我们还可以使用json对象来对http请求进行更详细的配置。

### evaluate() ###

在打开一个网页后，我们往往有对其进行操作的需求，例如模拟点击登陆按钮、获取某个DOM元素等等，也就是需要在页面中执行javascript代码，这时候我们就需要使用到evaluate()方法。

// 获取打开页面的title
    var page = require('webpage').create();
    
    page.open(url, function(status) { 
      var title = page.evaluate(function() { 
        return document.title;
      });
      console.log('Page title is ' + title);
      phantom.exit();
    });

由于因为evaluate()方法相当于一个沙盒，在其中是无法访问evaluate()之外的变量的。那如何将我想要获取的dom元素的id传进evaluate呢？  
从PhantomJS 1.6开始，我们可以将外部变量以如下的方式传给evaluate内部，需要注意的是，能传入evaluate方法内部的参数只能是简单的基本类型，例如数值、字符串、json对象等能被JSON序列化的类型，而无法接受更复杂的对象，它的返回值也同样如此。

page.open('https://item.taobao.com/item.htm?id=520115087331', function(status) { 
      var domId = "J_SellCounter"
      var sellCounter = page.evaluate(function(id) { 
        return document.getElementById(id).innerText;
      }, domId);
    
      console.log(sellCounter);
      phantom.exit();
    
    });

由于open()方法打开的网页内部的console语句，和evaluate()方法中的console语句都不会执行，给我们开发调试带来了不便。这时可以采用onConsoleMessage回调函数，来打印出上面两种情况中的console语句中的信息：

var webPage = require('webpage');
    var page = webPage.create();
    
    page.onConsoleMessage = function(msg, lineNum, sourceId) { 
      console.log('CONSOLE: ' + msg + ' (from line #' + lineNum + ' in "' + sourceId + '")');
    };

其中msg是需要打印的信息，lineNum和sourceId是console.log在文件中的行号以及这个文件对应的标识id。

### includeJs() ###

可以使用includeJs()方法加载外部脚本，例如jquery。

注意，由于`includeJs`是异步加载脚本，所以`phantom.exit()`需要放在`page.includeJs()`的回调函数中，否则phantomjs进程会过早退出。

### render() ###

render()可以将打开的网页截图并保存成本地图片，可以将指定的图片文件名作为参数传入，render方法可以根据文件名的后缀将图片保存成对应的格式。目前支持`PNG`、`GIF`、`JPEG`、`PDF`四种图片格式。

该方法的第一个参数是保存的文件名，第二个可选参数是一个JSON对象，format指定图片格式，quality指定0-100区间内的图片质量，必须是整数。

### onResourceRequested ###

当页面去请求一个资源时，会触发onResourceRequested()方法的回调函数。回调函数接受两个参数，第一个参数`requestData`是这个HTTP请求的元数据对象，包括以下属性：

>  *  id: 所请求资源的id号，这个应该是phantomjs给标识的。
>  *  method: 所使用的HTTP方法(GET/POST/PUT/DELETE等)。
>  *  url: 所请求资源的URL
>  *  time: 包含请求该资源时间的一个Date对象。
>  *  headers: 该请求的http请求头中的信息数组。

第二个参数`networkRequest`包含以下方法：

>  *  abort(): 终止当前的网络请求，这会导致调用onResourceError回调函数。
>  *  changeUrl(newUrl)：改变当前网络请求的URL。
>  *  setHeader(key, value)：设置HTTP头信息。

### onResourceReceived ###

onResourceReceived属性用于指定一个回调函数，当网页收到所请求的资源时，就会执行该回调函数。回调函数只有一个参数，就是所请求资源的服务器发来的HTTP response的元数据对象，包括以下字段。

>  *  id：所请求的资源编号，此编号phantomjs标识。
>  *  url：所请求的资源的URL
>  *  time：包含HTTP回应时间的Date对象
>  *  headers：响应的HTTP头信息数组
>  *  bodySize：解压缩后的收到的内容大小
>  *  contentType：接到的内容种类
>  *  redirectURL：重定向URL（如果有的话）
>  *  stage：对于多数据块的HTTP回应，头一个数据块为start，最后一个数据块为end。
>  *  status：HTTP状态码，成功时为200。
>  *  statusText：HTTP状态信息，比如OK。

需要注意的是，该方法收到的response对象是没有response.body的具体内容的。

可以利用正则表达式，来筛选出我们想要操作的一些响应资源。比如我想从淘宝教育的课程详情页跳转到购买页（在淘宝网中），可以从淘宝同学请求的资源url中筛选出带淘宝网商品详情页的商品id，然后用这个淘宝网商品id拼接成一个淘宝网的商品详情页url，再次使用open()方法打开这个url，就可以跳转到该课程的购买页中。

## 小栗子 ##

### 动态获取淘宝商品详情页的商品交易量 ###

相信大家都知道爬虫的基本方式无非是抓取页面中的url，然后分析；但是页面中的url也些是静态的，有些事通过js动态生成的，故爬虫也分抓静及抓动之分。  
因为淘宝商品详情页的交易量是异步拉取的，在异步数据还没有返回时，页面上交易量那一栏只是一个无意义的“-”，如图：  
![FmjkmMpSNLTfrgTz--odKkVPvpEf][]

当异步数据返回后，才会显示出真正的交易量：  
![FmRBzPJm8AO33s62jLIWcDLcB2iB][]

因此，

win7上执行命令：

$ phantomjs.exe --ssl-protocol=any xuqinTb.js
    1379

win7上得到了交易量`(由于是打开https协议头的网页，所以执行js文件时，需要添加"--ssl-protocol=any"参数)`

## PhantomJS不能做什么 ##

>  *  PhantomJS是一个阉割版的webkit，不支持flash、webGL、video/audio、css 3-d，phontomjs不想背负操作系统强相关的特性，跨平台比较困难。
>  *  如果使用Page模块的onResourceReceived()方法监听页面收到的请求资源，是无法得到该资源的response.body的，这也是目前PhantomJS最受开发者吐槽的点之一。

[http_phantomjs.org]: http://phantomjs.org/
[phantomjs-2.0.0-windows.zip]: https://bitbucket.org/ariya/phantomjs/downloads/phantomjs-2.0.0-windows.zip
[cygwin]: http://cygwin.com/install.html
[Bitbucket]: https://bitbucket.org/ariya/phantomjs/downloads
[phantomjs-1.9.8-linux-x86_64.tar.bz2]: https://bitbucket.org/ariya/phantomjs/downloads/phantomjs-1.9.8-linux-x86_64.tar.bz2
[Link 1]: http://phantomjs.org/build.html
[Link 2]: http://ke.qq.com
[FmjkmMpSNLTfrgTz--odKkVPvpEf]: http://7tszky.com1.z0.glb.clouddn.com/FmjkmMpSNLTfrgTz--odKkVPvpEf
[FmRBzPJm8AO33s62jLIWcDLcB2iB]: http://7tszky.com1.z0.glb.clouddn.com/FmRBzPJm8AO33s62jLIWcDLcB2iB