有些网站的比较重要的内容可能会采用javascript动态加载内容,防止采集,获取其中的信息,但是我们在采集的时候还需要获取到这些内容, 下面就介绍三种可以获取到javascript内容的方法,三种方式的原理其实是一样的,就是通过浏览器引擎来解析javascript。 1)、利用WebBrowser控件 这个方式大家也都知道,也就不多说了,说几个比较重要的地方。首先,我要在DocumentCompleted事件里面完成内容获取的工作,因为该控件 是在文档加载完成后触发的。其次,这个事件有个问题,就是说如果在页面中有iframe框架之类的,如果这个iframe加载完成也会触发这个事件,所以我们要做个判断 if (wb.ReadyState == WebBrowserReadyState.Complete && e.Url.ToString() == wb.Url.ToString()) 这个判断就是说在控件所有内容加载完并且是本页面加载完,而不是某个iframe加载完。然后就可以通过 wb.Document.Body.InnerHtml; 来获取内容啦! 2)利用phantomjs这个开源项目 这个项目的地址:http://phantomjs.org/ 。这个项目说的通俗点就是一个无界面的基于webkit内核的浏览器,既然是浏览器当然就能获取 javascript加载的内容。至于这个开源项目更多的细节还需要大家自己来阅读这个文档,里面写的很全面,也很易懂! 我先简单的介绍下在win7下怎么用这个项目 1、下载windows版本,地址http://phantomjs.org/download.html,现在的版本是1.9.1 2、下载完,解压缩,放到某个文件夹下 3、配置环境变量,把这个文件夹的根目录配置到环境变量中。 下面我们看怎么用C#来调用,这里用到Process类,具体看代码: Process p = new Process(); //启用命令行 p.StartInfo.FileName = @"cmd.exe"; p.StartInfo.UseShellExecute = false; p.StartInfo.RedirectStandardInput = true; p.StartInfo.RedirectStandardOutput = true; p.StartInfo.RedirectStandardError = true; p.StartInfo.CreateNoWindow = true; p.Start(); //输入各种命令 p.StandardInput.WriteLine(@"cd D:\Program Files\phantomjs\examples"); p.StandardInput.WriteLine(@"d:"); p.StandardInput.WriteLine("phantomjs --output-encoding=gbk test.js www.xxxx.com"); p.StandardInput.Close(); p.StandardInput.Dispose(); //获取结果 string strRst = p.StandardOutput.ReadToEnd(); p.Close(); Console.WriteLine(strRst); 上面代码中用到了一个test.js的文件,这个文件的写法需要参考一下phantomjs的api或者它自带的例子,很简单,比较好理解。 ttest。js的代码 var page = require('webpage').create(), system = require('system'), url; url = system.args[1]; page.open(url, function (status) { var title = page.evaluate(function () { return document.getElementById('contact').innerHTML; //return document.title; }); console.log('Page title is ' + title); //必须要退出,否则在c#调用的时候会卡死 phantom.exit(); }); 3)利用phantomjs的一个包装类库 这个类库很全面,有基于各种浏览的驱动,当然也包括phantomjs,我们就用PhantomJSDriver类来操作。当然这个类库信息很多,还需要大家 自己来看,我也是看了一点点,没有看的太详细!当然需要先下载类库,地址:http://docs.seleniumhq.org/download/,下载完添加引用, (发现貌似只用3.5和4.0版本的,老的版本中是否支持2.0),api文档地址:http://selenium.googlecode.com/git/docs/api/dotnet/index.html,下面看调用,很简单,几行代码就可以搞定! PhantomJSDriver driver = driver = new PhantomJSDriver(); driver.Url = "url"; string pagesource = driver.PageSource; driver.Quit(); driver.Dispose();
三种获取ajax加载的动态内容的方法
猜你喜欢
转载自yonglailizhi.iteye.com/blog/2219512
今日推荐
周排行