解析具有动态内容的网站

Jonathan_W 发表于 Dev

乔纳森·W

我正在使用Nokogiri解析TechCrunch [具有特定的搜索词。

http://techcrunch.com/search/education#stq=education&stp=1

问题在于该站点在返回与搜索项相关的列表之前有几秒钟的延迟，因此当Nokogiri检索到它时，我输入到Nokogiri进行解析的URL没有相关内容。

几秒钟后，内容似乎已动态加载-我猜是Javascript。关于如何稍微延迟检索HTML的任何想法？

詹森·金

使用Ruby方法， sleep

seconds_to_delay = 5
sleep seconds_to_delay

编辑1：处理在文档完成加载后加载一段时间的div

我讨厌这种情况。我必须处理完全相同的情况，所以这就是我的解决方法。您需要使用类似selenium-webdriver gem的工具。

require 'selenium-webdriver'
url = "http://techcrunch.com/search/education#stq=education&stp=1"

css_selector = ".tab-panel.active"

driver = Selenium::WebDriver.for :firefox
driver.get(url)
driver.switch_to.default_content
posts_text = driver.find_element(:css, css_selector).text
puts posts_text
driver.quit

如果您在Heroku，AWS EC2或Digital Ocean之类的虚拟机上运行此程序，则不能使用firefox。相反，您需要像phantom.js这样的无头浏览器。

为了使用phantom.js而不是firefox，首先，在VM上安装phantomjs。然后更改为driver = Selenium::WebDriver.for :phantomjs。

您可以使用此gem实际为您安装phantomjs。

问题b）的第二次编辑

require 'selenium-webdriver'
url = "http://techcrunch.com/search/education#stq=education&stp=1"

css_selector = ".tab-panel.active ul.river-compact.river-search li"

driver = Selenium::WebDriver.for :phantomjs
driver.get(url)
driver.switch_to.default_content
items = driver.find_elements(:css, css_selector)
items.each {|x| puts x }
driver.quit

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。