我需要做一些网页抓取。在使用了不同的 web 测试框架之后，其中大多数要么太慢(Selenium)要么太错误，无法满足我的需求(env.js)，我认为 zombie.js 看起来最有前途，因为它使用一组可靠的库进行 HTML 解析和 DOM 操作。但是，在我看来，它甚至不支持基本的基于事件的 Javascript 代码，例如以下网页:
<html>
<head>
<title>test</title>
<script type="text/javascript">
console.log("test script executing...");
console.log("registering callback for event DOMContentLoaded on " + document);
document.addEventListener('DOMContentLoaded', function(){
console.log("DOMContentLoaded triggered");
}, false);
function loaded() {
console.log("onload triggered");
}
</script>
</head>
<body onload="loaded();">
<h1>Test</h1>
</body>
</html>
然后我决定像这样手动触发这些事件:
zombie = require("zombie");
zombie.visit("http://localhost:4567/", { debug: true }, function (err, browser, status) {
doc = browser.document;
console.log("firing DOMContentLoaded on " + doc);
browser.fire("DOMContentLoaded", doc, function (err, browser, status) {
body = browser.querySelector("body");
console.log("firing load on " + body);
browser.fire("load", body, function (err, browser, status) {
console.log(browser.html());
});
});
});
这适用于这个特定的测试页面。不过，我的问题是一个更普遍的问题:我希望能够抓取更复杂的、基于 AJAX 的网站，例如 Facebook 上的 friend 列表(类似于 http://www.facebook.com/profile.php?id=100000028174850&sk=friends&v=friends )。使用zombie登录站点是没有问题的，但是像那些列表这样的一些内容似乎完全是使用AJAX动态加载的，我不知道如何触发启动加载的事件处理程序。
关于这个问题我有几个问题:
同样，请不要向我指出涉及控制像 Selenium 这样的真实浏览器的解决方案，因为我知道这些解决方案。然而，值得欢迎的是对真正的内存渲染器(如 WebKit 可从 Ruby 脚本语言访问)的建议，但最好能够设置 cookie，并且最好还加载原始 HTML 而不是触发真正的 HTTP 请求。
最佳答案
出于数据提取的目的，运行“ headless 浏览器”并手动触发 javascript 事件并不是最简单的事情。虽然并非不可能，但有更简单的方法可以做到这一点。
大多数网站，即使是重 AJAX 的网站，都可以在不执行任何 Javascript 代码的情况下被抓取。事实上这通常比试图找出网站的 Javascript 代码更容易，后者通常被混淆、缩小且难以调试。如果你对 HTTP 有深入的了解，你就会明白为什么:(几乎)所有与服务器的交互都被编码为 HTTP 请求，所以无论它们是由 Javascript 发起的，还是由用户单击链接或机器人程序中的自定义代码发起的，服务器没有区别。 (我说几乎是因为当涉及到 Flash 或小程序时，不知道哪些数据会飞到哪里；它们可以是特定于应用程序的。但是用 Javascript 完成的任何事情都将通过 HTTP。)
话虽如此，使用自定义软件可以在任何网站上模仿用户。首先，您必须能够看到发送到服务器的原始 HTTP 请求。您可以使用代理服务器记录真实浏览器向目标网站发出的请求。你可以使用很多很多工具:Charles或 Fiddler很方便，最敬业screen-scraper tools有一个内置的基本代理，Firebug Firefox 和 Chrome 的扩展有类似的工具来查看 AJAX 请求……你懂的。
一旦您可以看到由于网站上的特定操作而发出的 HTTP 请求，就很容易编写程序来模拟这些请求；只需向服务器发送相同的请求，它就会将您的程序视为执行特定操作的浏览器。
对于不同的语言，有不同的库提供不同的功能。对于 ruby，我看到很多人使用 mechanize for ruby .
如果数据提取是您的唯一目标，那么您几乎总能通过这种方式模拟 HTTP 请求来获得所需的内容。无需 Javascript。
注意 - 既然你提到了 Facebook，我应该提一下，专门抓取 Facebook 可能非常困难(尽管并非不可能)，因为 Facebook 已经采取措施来检测自动访问(他们使用的不仅仅是验证码)；如果他们看到来自该帐户的可疑事件，他们将禁用该帐户。毕竟，这是反对他们的terms of service (第 3.2 节)。
关于javascript - 使用zombie.js 抓取网站的问题，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/7336814/
我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div
我有一个Ruby程序，它使用rubyzip压缩XML文件的目录树。gem。我的问题是文件开始变得很重，我想提高压缩级别，因为压缩时间不是问题。我在rubyzipdocumentation中找不到一种为创建的ZIP文件指定压缩级别的方法。有人知道如何更改此设置吗？是否有另一个允许指定压缩级别的Ruby库？ 最佳答案 这是我通过查看rubyzip内部创建的代码。level=Zlib::BEST_COMPRESSIONZip::ZipOutputStream.open(zip_file)do|zip|Dir.glob("**/*")d
类classAprivatedeffooputs:fooendpublicdefbarputs:barendprivatedefzimputs:zimendprotecteddefdibputs:dibendendA的实例a=A.new测试a.foorescueputs:faila.barrescueputs:faila.zimrescueputs:faila.dibrescueputs:faila.gazrescueputs:fail测试输出failbarfailfailfail.发送测试[:foo,:bar,:zim,:dib,:gaz].each{|m|a.send(m)resc
很好奇，就使用rubyonrails自动化单元测试而言，你们正在做什么？您是否创建了一个脚本来在cron中运行rake作业并将结果邮寄给您？git中的预提交Hook？只是手动调用？我完全理解测试，但想知道在错误发生之前捕获错误的最佳实践是什么。让我们理所当然地认为测试本身是完美无缺的，并且可以正常工作。下一步是什么以确保他们在正确的时间将可能有害的结果传达给您？ 最佳答案 不确定您到底想听什么，但是有几个级别的自动代码库控制:在处理某项功能时，您可以使用类似autotest的内容获得关于哪些有效，哪些无效的即时反馈。要确保您的提
假设我做了一个模块如下:m=Module.newdoclassCendend三个问题:除了对m的引用之外，还有什么方法可以访问C和m中的其他内容？我可以在创建匿名模块后为其命名吗(就像我输入“module...”一样)？如何在使用完匿名模块后将其删除，使其定义的常量不再存在？ 最佳答案 三个答案:是的，使用ObjectSpace.此代码使c引用你的类(class)C不引用m:c=nilObjectSpace.each_object{|obj|c=objif(Class===objandobj.name=~/::C$/)}当然这取决于
我正在尝试使用ruby和Savon来使用网络服务。测试服务为http://www.webservicex.net/WS/WSDetails.aspx?WSID=9&CATID=2require'rubygems'require'savon'client=Savon::Client.new"http://www.webservicex.net/stockquote.asmx?WSDL"client.get_quotedo|soap|soap.body={:symbol=>"AAPL"}end返回SOAP异常。检查soap信封，在我看来soap请求没有正确的命名空间。任何人都可以建议我
关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。
我在我的项目目录中完成了compasscreate.和compassinitrails。几个问题:我已将我的.sass文件放在public/stylesheets中。这是放置它们的正确位置吗？当我运行compasswatch时，它不会自动编译这些.sass文件。我必须手动指定文件:compasswatchpublic/stylesheets/myfile.sass等。如何让它自动运行？文件ie.css、print.css和screen.css已放在stylesheets/compiled。如何在编译后不让它们重新出现的情况下删除它们？我自己编译的.sass文件编译成compiled/t
我想将html转换为纯文本。不过，我不想只删除标签，我想智能地保留尽可能多的格式。为插入换行符标签，检测段落并格式化它们等。输入非常简单，通常是格式良好的html(不是整个文档，只是一堆内容，通常没有anchor或图像)。我可以将几个正则表达式放在一起，让我达到80%，但我认为可能有一些现有的解决方案更智能。 最佳答案 首先，不要尝试为此使用正则表达式。很有可能你会想出一个脆弱/脆弱的解决方案，它会随着HTML的变化而崩溃，或者很难管理和维护。您可以使用Nokogiri快速解析HTML并提取文本:require'nokogiri'h
我想为Heroku构建一个Rails3应用程序。他们使用Postgres作为他们的数据库，所以我通过MacPorts安装了postgres9.0。现在我需要一个postgresgem并且共识是出于性能原因你想要pggem。但是我对我得到的错误感到非常困惑当我尝试在rvm下通过geminstall安装pg时。我已经非常明确地指定了所有postgres目录的位置可以找到但仍然无法完成安装:$envARCHFLAGS='-archx86_64'geminstallpg--\--with-pg-config=/opt/local/var/db/postgresql90/defaultdb/po