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. О том, как спарсить товары из интернет-магазина читайте здесь

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('https://example.com')
  .then(function(){
	slimer.wait(3000); // пауза, длительность в миллисекундах
	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('https://example.com')
  .then(function(){
	webpage.evaluate(function () {
		document.getElementById("input").focus();
    });
	webpage.sendEvent('keypress', "hello World");
  });

Вообще функция senEvent() очень гибкая, подробнее о ней можно прочитать здесь.

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

^{Оригинал на habre. post 247847}