PHP 爬取需要运行 JS 的页面 (Run JS While Grabing Web Page With PHP)

初衷

近日在学习爬虫的时候遇到一个小问题，当在抓取某些网页的时候，在线测试通过的正则匹配在用PHP抓取时却发现只能抓取某些非关键元素。
经过排查，才发现在抓取该页面（是一个电商页面）时，该页面的详情页面是通过JS二次请求动态添加上去的，而PHP(通过curl函数库的方式)只是将其静态页面抓下，所以正则匹配的不是整个渲染好的完整页面，而是一个隐藏了详情板块的页面。

解决方案

大致涉猎了一下，一般业界的解决方法有二：

1. 分析JS文件，模拟JS中的请求
2. 想方法运行JS，抓取JS运行渲染完毕后的页面(本文讲述的方法)

phantomjs


phantomjs 基于WebKit、开源的服务器端JavaScript API, 采用了WebKit内核的phantomjs可以模拟浏览器运行网页，可以浅显的把它理解为除了把访问的页面显示出来。
除此之外，其他浏览器具备的功能它都有了(DOM handling, CSS selector, JSON, Canvas, and SVG)，所以可以通过调用它来运行含有JS文件且需要运行的html页面，当然它的用处肯定不止这些，web测试，页面截图，网络监控等等(详见官网文档)。

解决步骤

Step.1 下载(编译)phantomjs文件

这里有两种方式：
1.直接从官网下载对应系统编译好的可执行文件,解压后移动到bin目录下即可

2.从官方Github下载源码后编译为可执行文件。

我这里向大家介绍比较通用的法一：
如图在官网下载对应你服务器系统的版本，



以CentOS为例，下载Linux 64-bit版本(32/64区分好)

curl -O https://bitbucket.org/ariya/phantomjs/downloads/phantomjs-2.1.1-linux-x86_64.tar.bz2

解压文件

tar xvf phantomjs-2.1.1-linux-x86_64.tar.bz2

移动文件到bin目录下

cp phantomjs-2.1.1-linux-x86_64/bin/phantomjs /usr/local/bin

到这里就phantomjs的install过程已完成，不过最好测试一下能否成功运行。
随意写一个测试的js文件，运行下看是否成功

phantomjs helloworld.js

若是不成功，按提示安装缺失的libraries后再运行。
若还是不行，可以尝试用法二来获取phantomjs文件。

Step.2 通过PHP调用phantomjs

正常来说到这里的话，我们应该先用PHP获取到对应页面的URL，然后用phantomjs执行后，获取返回的内容，再对其进行正则匹配(替代了原来的curl操作)。
我在Github发现了有朋友已经封装了一个基于PHP-phantomjs的包，还写了非常健全的文档，已为他献上Star。



由于文档是全英，我这里简单的介绍下关键步骤
1) 通过 Composer 安装

composer require "jonnyw/php-phantomjs:4.*"

2) 初始化 JonnyW\PhantomJs\Client 类

$client = Client::getInstance();
//这一步非常重要，务必跟服务器的phantomjs文件路径一致
$client->getEngine()->setPath('/usr/local/bin/phantomjs');

3) 简单的使用

$request  = $client->getMessageFactory()->createRequest();
$response = $client->getMessageFactory()->createResponse();

//设置请求方法
$request->setMethod('GET');
//设置请求连接
$request->setUrl($link);
//发送请求获取响应
$client->send($request, $response);

if($response->getStatus() === 200) {
    //输出抓取内容
    echo $response->getContent();
    //获取内容后的处理
}

4) 加载完整JS的用法

$client = Client::getInstance();
$client->isLazy(); // 让客户端等待所有资源加载完毕

$request = $client->getMessageFactory()->createRequest();
$request->setTimeout(5000); // 设置超时时间(超过这个时间停止加载并渲染输出画面)

......

总结

最近在看《数学之美》的时候吴军博士在“图论和网络爬虫”一章中提过，如今的网页很多是用Javascript生成，在面对这些网页时，网络爬虫需要模拟浏览器去运行。
我也是在看完这一章后对这个点有所印象，这次遇到类似问题就朝这个方向去解决了。希望能给大家带来一点帮助和启发。

Contact me

如果有什么错误或者建议 OR 如果需要请教关于本主题的相关问题
欢迎来邮与我交流和讨论！
Email：atrovervan@gmail.com
& My blog: ROVERVAN