phantomjs 爬去动态页面

最近有一个小需求，需要根据用户输入的某宝的店铺 url，检查地址是否存在，并抓取店铺名称。某宝店铺 url 的 title 通常是 xx-xx-xx 的形式，中间的 xx 就是对应的店铺名称。

这个需求很简单，根据 url 直接发送 get 请求，利用 cheerio 解析得到的 html 文件，就可以获得 title 的内容，再切割字符串就可以获得店铺名称。

为了验证某宝店铺页面的 title 均是 xx-xx-xx 形式，并且中间的 xx 就是店铺名称，就要搜索大量店铺页面名称。一个个查看即耗时间也不实际，于是决定利用爬虫快速获取店铺名称。其实爬虫的基本思路并不难，更重要的在于分析页面结构，以获取需要的内容。

页面大致分为3种情况：

① 直出页面，获取到 html 文件就可以解析需要的内容

② 动态页面，所需内容是数据通过接口获得的，直接请求接口即可

③ 动态页面，找不到相关数据接口，借助 PhantomJS 获取完整的页面

怎样能快速获得大量的店铺 url 呢？某宝的宝贝列表中，宝贝信息其实是包含了该宝贝所在店铺首页的链接，通过宝贝列表就可以快速获得店铺 url。通过分析页面，很不幸，宝贝列表是脚本动态加载的，并且找不到相关数据的接口，唯有借助 PhantomJS 了。PhantomJS 虽然强大，但性能并不是很好，不过为了满足我的好奇心，足够了。

PhantomJS

PhantomJS 是一个 webkit 的 JavaScript API，相当于一个阉割版的浏览器，详情可查看官网

PhantomJS 获取并解析页面的语法也很简单，完整demo

// page。open 打开并加载 url，这里的 url 为宝贝列表页面
page.open(url, function (s) {
　　console.log('index ' + index + ' ' + s)
　　if (s === 'success') {
　　　　setTimeout(function () {
　　　　　　// page.evaluate 用于解析页面内容，详情请看官网　　
　　　　　　const shopUrl = page.evaluate(function () {
　　　　　　　　const urls = []
　　　　　　　　const ele = document.getElementsByClassName('J_ShopInfo')
　　　　　　　　for(var i = 0, len = ele.length; i < len; ++i) {
　　　　　　　　　　const item = ele[i]
　　　　　　　　　　urls.push(item.href)
 　　　　　 　　}
　　　　　　　　return urls
　　　　　　})
　　　　　　getTitle(shopUrl, 0, getShopsName(index + 44, max))
　　　　}, 1500)
　　}
            
})

getTitle 用于获取店铺首页 url 的 title

function getTitle (urls, i, cb) {
    if (i < urls.length) {
        const url = urls[i]
        page.open(url, function(s) {
            if (s === 'success') {
                const result = page.evaluate(function () {
                    return document.title
                })
                console.log(i + ' ' + result)
                titles.push(result)
                getTitle (urls, i + 1, cb)
            }
        })
    } else {
        cb && cb()
    }
}

在访问宝贝列表页面和店铺页面时，由于某宝的反爬虫措施，这里都用了递归搜索，确保不是并发请求页面，否则页面会获取失败。setTimeout 是为了等待页面中所需内容已加载后再解析。如果获取到页面后立即解析，只会得到一个几乎空白的页面。

由于页面都包含大量的图片信息，可以通过设置

page.settings.loadImages = false

不加载内联图片，减少 PhantomJS 的性能消耗。

让程序自己一直循环执行，就可以获取到大量的数据啦