使用 CasperJS 構建 Web 爬蟲
來自： http://www.codeceo.com/article/casperjs-web-reptile.html
從你的應用中收集數據有時候可能有點困難和艱辛。可能是缺少一個必須的API，或者是有太多的數據需要處理。這時候你就需要借助于web抓取。
不用說了，這可能是個法律雷區，所以要確保你沒有逾越法律的邊界。
目前有很多工具可以幫助你抓取內容，例如Import.io，但是有時這些工具并不能完全滿足你的需要。又或者，像我一樣，充滿好奇心，希望深入地了解web抓取。
挑戰
讓我們從一個簡單地挑戰——網絡爬蟲開始，讓這個爬蟲爬取Techmeme，并獲得一個當天熱門新聞列表！
注意： 在這里我將會使用DZone，但在獲取頁面時會出現問題。后面會詳細說明這個問題。
機器設置
您只需要做很少的工作來完成安裝。我假設您已經安裝了Node.js（我的意思是誰沒有安裝呢！）。盡管我們并不直接使用PhantomJS，但是您依然需要安裝它。版本2.0.1目前已經可以使用了——您可以從其官網下載或使用homebrew或其他等效的包管理器安裝。
如果您使用具有homebrew的Mac，您可以這樣安裝PhantomJS
brew install phantomjs
下載完成之后，您將需要用相同的方式安裝CasperJS。您可以將CasperJS看做PhantomJS的伴侶。它實際上是給您提供相似的網頁處理API。盡管它是為網頁測試設計的。與PhantomJS相同，它具有豐富的功能使其也非常適合于抓取內容。
CasperJS允許我們編寫JavaScript腳本。您可以通過在終端中輸入casperjs以測試其是否正確安裝并加入到PATH中。
編寫腳本
下面我們將編寫一個新的JavaScript腳本文件。在我的例子中，我稱其為index.js。您需要做的第一件事就是在您的代碼中創建一個casper實例。您還需要加入依賴的模塊并向其傳遞一些基本參數。
var casper = require("casper").create({
waitTimeout: 10000,
stepTimeout: 10000,
verbose: true,
pageSettings: {
webSecurityEnabled: false
},
onWaitTimeout: function() {
this.echo('** Wait-TimeOut **');
},
onStepTimeout: function() {
this.echo('** Step-TimeOut **');
}
}); 當您等待一個元素可見時，上面的onWaitTimeout回調將會被調用。例如，點擊一個按鈕之后，waitTimeout將被超出。
現在，您可以啟動casper實例并將其指向我們希望爬取的頁面。
casper.start();
casper.open("http://techmeme.com"); Casper使用一個可靠地框架來幫助您一步一步地運行所有任務。對于第一步，您將希望使用then函數。
casper.then(function() {
//logic here
});
//start your script
casper.run(); 為了使Casper打開網頁并按您的想法運行，您需要調用run函數。
檢查網頁以獲取想要的元素
當抓取到一個網頁，您可以假設它具有特定的結構。在您編寫腳本之前，可能已經瀏覽過了網頁的源代碼，或者已經使用開發者工具觀察了頁面對特定行為的變化。
所以，讓我們開始于一個簡單地邏輯，使用CasperJS維護系統確保一個特定的元素在繼續之前處于合適的位置。如果元素不存在，腳本將會停止，但是至少您將會知道其為何停止。這個維護行為對于觀察您之前抓取頁面的變化是無價的，但是可能會與您之前見到的頁面具有不一樣的結構。
如果您檢查了Techmeme首頁的元素，您將會注意到頭條新聞部分在一個id為,topcol1的div中。
讓我們使用維護功能確保這個元素存在：
casper.then(function() {
this.test.assertExists("#topcol1"); 如果這個元素不存在，測試（例如我們的腳本）將會停止，否則它將繼續運行。
您還可以使用waitForSelector函數來獲得更為細致的結果：
this.waitForSelector("#topcol1",
function pass () {
console.log("Continue");
},
function fail () {
this.die("Did not load element... something is wrong");
}
); 使用這個函數的優點就是它允許頁面加載元素并一直等待到執行。您在初始配置中指定的waitTimeout將會被用于確定失敗前等待多久。
注意：有時，使用CasperJS查找元素可能會出問題。使用capture()函數截取一個CasperJS看到的頁面的截圖。
this.capture(‘screener.png’);
從頁面中提取內容
下面，讓我們看看怎樣從頁面中找出標題。首先，找到包含您需要的內容的元素，在我們的例子中，為class=ii的div。
CasperJS自帶一個evaluate函數，可以讓您在頁面中運行JavaScript，并且您還可以讓函數返回一個值以供進一步處理。
這個JavaScript寫起來并沒有什么不同，您可能注意到，在本例中，我使用的是原始的純DOM方法，而不是jQuery，同樣，如果您愿意，您也可以在evaluate函數中使用jQuery；
var links = this.evaluate(function(){
var results = [];
var elts = document.getElementsByClassName("ii");
for(var i = 0; i < elts.length; i++){
var link = elts[i].getElementsByTagName("a")[0].getAttribute("href");
var headline = elts[i].firstChild.textContent;
results.push({link: link, headline: headline});
}
return results;
}); 如果您在evaluate函數中使用console.log語句，它們將會通過remote.message句柄打印到您的控制臺，這將會在下一節中詳細介紹。
一旦運行結束，結果將會返回給您。您可以將它們寫入文件系統，或者將它們打印到屏幕上：
console.log("There were " + links.length + " stories");
for(var i = 0; i < links.length; i++){
console.log(links[i].headline);
} 輸出的結果如：
抓取中的錯誤處理
有時，您運行的JavaScript中可能存在錯誤，或者其對您抓取的頁面的處理存在問題。這些情況中，您可以捕獲錯誤并使用remote.message和page.error事件將其打印到控制臺：
casper.on('remote.message', function(msg) {
this.echo('remote message caught: ' + msg);
});
casper.on('page.error', function(msg, trace) {
this.echo('Error: ' + msg, 'ERROR');
}); 您同樣還能觀察到即將請求的資源，這些資源的加載使用的是resource.error和resource.received事件：
casper.on('resource.error', function(msg) {
this.echo('resource error: ' + msg);
});
casper.on('resource.received', function(resource) {
console.log(resource.url);
}); 了解更多
本文只寫了點關于使用CasperJS你所能做到的皮毛的東西。該項目的文檔是完美的，所以要確保查看過 API ，看看你還可以用它來做些什么。
在本系列的下一篇文章中，我回來看看如何從網頁上下載圖片，而且我也會討論下如何使用構建到CasperJS中的文件系統函數，其使用會受到比Node.js更多的限制。