利用nodejs+phantomjs+casperjs采集淘宝商品的价格示例
发布于 2015-08-13 14:54:58 | 743 次阅读 | 评论: 0 | 来源: 网友投递
PhantomJS
PhantomJS 是一个基于WebKit的服务器端 JavaScript API。它全面支持web而不需浏览器支持，其快速，原生支持各种Web标准： DOM 处理, CSS 选择器, JSON, Canvas, 和 SVG。PhantomJS可以用于页面自动化，网络监测，网页截屏，以及无界面测试等。
因为一些业务需求需要采集淘宝店铺商品的销售价格,但是淘宝详情页面的价格显示是通过js动态调用显示的.所以就没法通过普通的获取页面html然后通过正则或者xpath的方式获取到想到的信息了.
所幸我们现在有了casperjs.这个是一个基于Phantomjs的库,而Phantomjs则是一个服务器端的js api的webkit浏览器.是不是很神奇?真的是.net的以外的世界很神奇,我们要多走去看看.
好了,现在废话不多说,开始切入正题.
首先就是就是几个相关库的安装.安装过程很简单,相关内容大家百度即可.在文章的底部我也会列出参考链接.
我们先进行下简要的分析:
具体的操作流程就是利用casperjs模拟鼠标点击商品的图片,然后网页显示对应的价格.
默认情况是这样的,如果不点击颜色分类下的图片,则对应的促销价格也只是会显示一个区间.
而只要我们点击了颜色分类对应的图片之后,则会是下面的效果
那么我们具体的操作步骤应该是:
1)打开具体的商品详情页
2)获取到颜色分类下图片个数,然后依次模拟鼠标点击
3)每点击一次图片,然后获取对应的促销价格
4)保存每次操作后的结果到数据库或者本地文件中待下一步处理
下面我们就来具体的一步步实现上面分析后所需要的步骤:
1.初始化casperjs
var casper = require(‘casper‘).create({
clientScripts: ["jquery.js"],
verbose: false,
logLevel: ‘debug‘,
pageSettings: {
loadImages: false, // The WebPage instance used by Casper will
loadPlugins: false // use these settings
}
});
phantom.outputEncoding = "gbk";//解决乱码问题
2.打开具体的url
/*
获取需要采集的url列表
*/
casper.start(url, function() {
casper.GetDetailUrl(url);
});
/*
打开具体url
*/
casper.GetDetailUrl = function(detailUrl) {
casper.thenOpen(detailUrl, function() {
console.log(this.getCurrentUrl());
});
};
3.处理当前页面的所有sku价格与信息
/*
处理当前页面的所有sku价格与信息
*/
casper.then(function getPic() {
// console.log(this.getHTML());
// fs.write(‘123‘, this.getHTML(), ‘w‘);
product = casper.evaluate(function getProductFromPage() {
return $(‘ul[class*="tb-img"]‘).children().size();
});
console.log(product);
var str = ‘‘
for (var i = 1; i <= product; i++) {
str += casper.getPrice(i) + "|";
}
var item = new Object();
item.price = str;
item.numiid = this.getCurrentUrl();
casper.PostData(item);
// fs.write(‘myfile.html‘, str, ‘w‘);
//this.capture("4.png");
});
/*
获取商品的价格
*/
casper.getPrice = function(index) {
var dd = casper.clickByImg(index);
if (dd == -1) {
return ‘‘;
}
productPrice = casper.evaluate(function getPriceFromPage() {
return $(‘.tm-price‘).first().text().trim();
});
return (dd + "_" + productPrice);
};
/*
点击小图及获取此商品的data-value
*/
casper.clickByImg = function(index) {
var x = require(‘casper‘).selectXPath;
// 如果此商品缺货则跳出
var path = ‘//*[@id="J_DetailMeta"]/div[1]/div[1]/div/div[4]/div/div/dl[1]/dd/ul/li[‘ + index + ‘]‘;
var outOfStock = this.getElementAttribute(x(path), ‘class‘);
if (outOfStock == ‘tb-out-of-stock‘)
return ‘-1‘;
this.click(x(‘//*[@id="J_DetailMeta"]/div[1]/div[1]/div/div[4]/div/div/dl[1]/dd/ul/li[‘ + index + ‘]/a‘));
return this.getElementAttribute(x(path), ‘data-value‘); // "data-value"
};
4.将最后处理后得到的结果提交到服务器上
/*
提交商品价格信息到服务器
*/
casper.PostData = function(item) {
casper.open(‘http://XXX/UpdateItemsPrice‘).then(function() {
this.fill("form", {
‘numiid‘: item.numiid,
‘value‘: item.price
}, false);
this.capture(‘post.png‘);
this.click("#btnSave");
this.echo(‘GOT it1.‘ + item.numiid);
});
this.echo(‘GOT it2.‘ + item.numiid);
this.wait(2000, function() {
this.echo("I‘ve waited for a second.");
});
}
最后run即可.
casper.run();
通过以上4个步骤我们就能获取到单个链接下,所有sku的促销价格了.
现在还有个问题,就是我们的nodejs还没出场呢,不会把它忘记的,呵呵.
为什么这里casperjs都搞定了,还需要nodejs呢?那就是因为casperjs只能处理单个链接,如果有多条链接处理的话,就需要启动多个casperjs的实例来完成.
上面的所有代码都是casperjs的一个操作步骤,最后的一个run就是让这个实例按我们定义好的步骤来进行的一个完整的流程.
那么既然如果,我们就请nodejs出场吧~
var count = 0;
console.log(‘主进程开启‘);
var startTime = new Date().getTime();
var https = require(‘http‘);
/*
获取需要采集的url列表
*/
https.get(‘http://XXX/GetItemsList‘, function(res) {
// console.log("statusCode: ", res.statusCode);
// console.log("headers: ", res.headers);
res.on(‘data‘, function(d) {
// process.stdout.write(d);
var obj = JSON.parse(d)
for (var i = 0; i < obj.items.length; i++) {
capture(obj.items[i].detail_url);
}
;
});
}).on(‘error‘, function(e) {
console.error(e);
});
/*
启动casperjs读取单个url
*/
function capture(url) {
count++;
var spawn = require(‘child_process‘).spawn,
ls = spawn(‘casperjs‘, [‘casperjs.js‘, url]);
ls.on(‘close‘, function(code) {
if (code == 1) {
console.log(‘child process异常结束。目标：‘ + url);
}
});
}
当然,这里我们的casperjs需要进行模块化处理的,其实就是让casperjs可以获取调用的参数啦
var system = require(‘system‘); var url = system.args[4];
以上,就是所有采集需要使用到的代码了!怎么样,是不是非常的彪悍啊,整个处理流程只用了区区100来行的代码,就搞定了所有的采集流程.