Простой парсинг сайтов с помощью SlimerJS

В виду отсутствия хорошего материала по парсингу с помощью скриптового браузера SlimerJS и наличия свободного времени решил написать небольшую статью.

парсинг сайта с помощью slimerjs

Начало работы

Для того, чтобы начать работать со SlimerJs, необходимо скачать последнюю версию скриптового браузера (я обычно качаю полную версию, в которую включен XulRunner, позволяющий запускать SlimerJS в отсутствие Firefox) для вашей ОС.

Не буду описывать инсталяцию SlimerJS, так как она довольно подробно описана здесь, поэтому сразу перейдем к разбору ситуаций, которые чаще всего могут встретиться при парсинге сайта с динамическм контентом.

Использование

Предположим, что контент сайта загружается аяксом после того, как уже загружена сама страница. Получить динамический контент можно несколькими способами, основной — это написать функцию, которая будет через интервал времени проверять наличие данных. Этот вариант я использовал повсеместно, но если на сайте требовалось совершить много последовательных действий, то кода становилось больше и тем сложнее было его поддерживать. В итоге я стал больше применять паузы во время выполнения, которые упростили задачу:

var webpage = require('webpage').create();
webpage
    .open('http://example.com') 
    .then(function() { 
    // пауза, длительность в миллисекундах
    slimer.wait(3000); 
    var someContent = webpage.evaluate(function () { 
        // после того как динамический контент подгружен, можно его спарсить
        return document.querySelector("#aDiv").textContent;
    });
});

Еще одна полезная возможность — это создание событий. Очень просто имитировать набор символов в тексовом поле, что часто требуется при авторизации или регистрации, например:

var webpage = require('webpage').create();
webpage
    .open('http://example.com') 
    .then(function(){ 
    webpage.evaluate(function () { 
        document.getElementById("input").focus();
    });
    webpage.sendEvent('keypress', "hello World"); 
});

Довольно часто возникает ситуация, когда при парсинге на сайте появляется каптча. В этом случаем потребуется сделать скриншот каптчи и отправить его в один из сервисов, которые предоставляют услуги по разгадке каптч.

var webpage = require('webpage').create();
webpage
    .open('http://example.com') 
    .then(function() { 
        // для использования этой функции нам должны быть известно позиционирование каптчи
	    webpage.clipRect = { top: 14, left: 3, width: 400, height: 300 }; 
	    // обычно я кодирую изображение в base64, так его проще передать сторонему сервису
	    var screen = webpage.renderBase64('png'); 
	    // создаем второе соединени
	    var webpage2 = require('webpage').create(); 
	    webpage2
	        .open('http://example2.com') 
	        .then(function() {  //...далее думаю уже должно быть понятно
});

SlimerJS очень похож на PhantomJS, но самое важное отличие, которое хотелось бы отметить — это окно бразуера во время выполнения SlimerJS. Другими словами, отладка и разработка ведутся проще, чем с фантомом.

Итог

SlimerJS позволяет быстро и просто парсить сложные динамические сайты, которые обычным cUrl спарсить не получается.