> PhantomJS is a headless WebKit scriptable with a JavaScript API. It has fast and native support for various web standards: DOM handling, CSS selector, JSON, Canvas, and SVG.([> http://phantomjs.org/)][0]

PhantomJS是一个无界面的webkit内核浏览器,你可以把它当作一个没有界面的Safari。

目前PhantomJS的最新版本的2.0,官方文档中有提到说:如果在使用老版本时碰到一些难解的bug,可以升级到最新版试试。

## windows

直接下载[phantomjs-2.0.0-windows.zip][1],并解压,将bin文件夹中的可执行文件phantomjs.exe的路径添加到环境变量后(可能需要重启机器才能生效),就可以在命令行环境(cmd或[cygwin][2])中使用phantomjs命令执行js文件了。

## Linux

### 安装二进制文件包

可以在[Bitbucket][3]下载已经编译好的二进制文件安装包,不过目前Linux提供到PhantomJS 1.9.8的安装包,最新的PhantomJS 2.0还没有发布。 安装方式:

1. 下载[phantomjs-1.9.8-linux-x86_64.tar.bz2][4]
1. 进入安装目录,解压二进制文件

> cd /usr/local
> tar zxvf phantomjs-1.9.8-linux-x86_64.tar.bz2

1. 创建软链接mysql指向解压出来的文件夹,或将解压出来的文件夹重命名为phantomjs:

> ln -sf phantomjs-1.9.8-linux-x86_64/bin/phantomjs phantomjs

### 编译源码的方式

由于WebKit模块中有数千个文件,因此由源码编译PhantomJS会花费很长的时间,文档上说,开四个并行的进程进行编译工作,需要超过30分钟的时间,因此官方文档推荐直接下载和安装二进制文件。 具体的安装方法,这里就不再赘述,大家可以到[官方文档][5]上查看。

### 是否安装成功

我们可以使用下面的命令来查看PhantomJS是否安装成功:

> phantomjs -v

命令运行phantomjs xxx.js即可执行一个PhantomJS程序。

## webpage模块

webpage是PhantomJS的核心模块,你可以通过以下方式,获得一个webpage模块的实例:

var webPage = require(“webpage”),
page = webPage.create();

### open()

打开一个url链接,并加载对应的页面,一旦页面加载完成,就会触发回调,你也可以使用page.onLoadFinished方法来监听页面是否加载完成。下面,我们来用open()方法打开[腾讯课堂][6]:

var page = require(“webpage”).create;

page.open(“http://ke.qq.com”, function(status) {
if(status !== “success”) {
console.log(“open fail!”);
}
phantom.exit();
});

上面的代码中,open()方法接受了两个参数。第一个参数是要打开网页的url(要记得加协议头哦!),默认使用GET方法打开,第二个参数是回调参数,网页加载完成后该函数将会执行,它的参数status表示网页是否打开成功,打开成功就是success,否则就是fail。要注意的是,只要收到服务器返回的结果,status参数就是success,即使服务器返回的是404或500错误。 我们也可以使用其他的http方法打开页面。

var webPage = require(“webpage”);
var page = webPage.create();
var postBody = “user=username&password=password”;

page.open(“http://www.google.com/”, “POST”, postBody, function(status) {
console.log(“Status: ” + status);
// Do other things here…
});

上面的代码是官方文档的事例,使用POST方法向服务器发送数据。open方法的第二个参数用来指定HTTP方法,第三个参数用来指定该方法所要使用的数据。 从PhantomJS 1.9开始,我们还可以使用json对象来对http请求进行更详细的配置。

var webPage = require(‘webpage’);
var page = webPage.create();
var settings = {
operation: “POST”,
encoding: “utf8”,
headers: {
“Content-Type”: “application/json”
},
data: JSON.stringify({
some: “data”,
another: [“custom”, “data”]
})
};

page.open(‘http://your.custom.api’, settings, function(status) {
console.log(‘Status: ‘ + status);
// Do other things here…
});

### evaluate()

在打开一个网页后,我们往往有对其进行操作的需求,例如模拟点击登陆按钮、获取某个DOM元素等等,也就是需要在页面中执行javascript代码,这时候我们就需要使用到evaluate()方法。

// 获取打开页面的title
var page = require(‘webpage’).create();

page.open(url, function(status) {
var title = page.evaluate(function() {
return document.title;
});
console.log(‘Page title is ‘ + title);
phantom.exit();
});

由于因为evaluate()方法相当于一个沙盒,在其中是无法访问evaluate()之外的变量的。那如何将我想要获取的dom元素的id传进evaluate呢? 从PhantomJS 1.6开始,我们可以将外部变量以如下的方式传给evaluate内部,需要注意的是,能传入evaluate方法内部的参数只能是简单的基本类型,例如数值、字符串、json对象等能被JSON序列化的类型,而无法接受更复杂的对象,它的返回值也同样如此。

page.open(‘https://item.taobao.com/item.htm?id=520115087331’, function(status) {
var domId = “J_SellCounter”
var sellCounter = page.evaluate(function(id) {
return document.getElementById(id).innerText;
}, domId);

console.log(sellCounter);
phantom.exit();

});

由于open()方法打开的网页内部的console语句,和evaluate()方法中的console语句都不会执行,给我们开发调试带来了不便。这时可以采用onConsoleMessage回调函数,来打印出上面两种情况中的console语句中的信息:

var webPage = require(‘webpage’);
var page = webPage.create();

page.onConsoleMessage = function(msg, lineNum, sourceId) {
console.log(‘CONSOLE: ‘ + msg + ‘ (from line #’ + lineNum + ‘ in “‘ + sourceId + ‘”)’);
};

其中msg是需要打印的信息,lineNum和sourceId是console.log在文件中的行号以及这个文件对应的标识id。

### includeJs()

可以使用includeJs()方法加载外部脚本,例如jquery。

var webPage = require(‘webpage’);
var page = webPage.create();

page.open(‘http://www.example.com’, function(status) {
if(status !== “success”) {
console.log(“open fail!”);
}
page.includeJs(‘http://ajax.googleapis.com/ajax/libs/jquery/1.8.2/jquery.min.js’, function() {
page.evaluate(function() {
// jQuery is loaded, now manipulate the DOM
var $loginForm = $(‘form#login’);
$loginForm.find(‘input[name=”username”]’).value(‘phantomjs’);
$loginForm.find(‘input[name=”password”]’).value(‘c45p3r’);
$(‘#loginBtn’).click();
});
phantom.exit();
});
})

注意,由于includeJs是异步加载脚本,所以phantom.exit()需要放在page.includeJs()的回调函数中,否则phantomjs进程会过早退出。

### render()

render()可以将打开的网页截图并保存成本地图片,可以将指定的图片文件名作为参数传入,render方法可以根据文件名的后缀将图片保存成对应的格式。目前支持PNG、GIF、JPEG、PDF四种图片格式。

var webPage = require(‘webpage’);
var page = webPage.create();

page.viewportSize = { width: 1920, height: 1080 };
page.open(“http://www.google.com”, function start(status) {
page.render(‘google_home.jpeg’, {format: ‘jpeg’, quality: ‘100’});
phantom.exit();
});

该方法的第一个参数是保存的文件名,第二个可选参数是一个JSON对象,format指定图片格式,quality指定0-100区间内的图片质量,必须是整数。

### onResourceRequested

当页面去请求一个资源时,会触发onResourceRequested()方法的回调函数。回调函数接受两个参数,第一个参数requestData是这个HTTP请求的元数据对象,包括以下属性:

> * id: 所请求资源的id号,这个应该是phantomjs给标识的。
> * method: 所使用的HTTP方法(GET/POST/PUT/DELETE等)。
> * url: 所请求资源的URL
> * time: 包含请求该资源时间的一个Date对象。
> * headers: 该请求的http请求头中的信息数组。

第二个参数networkRequest包含以下方法:

> * abort(): 终止当前的网络请求,这会导致调用onResourceError回调函数。
> * changeUrl(newUrl):改变当前网络请求的URL。
> * setHeader(key, value):设置HTTP头信息。

var webPage = require(‘webpage’);
var page = webPage.create();

page.onResourceRequested = function(requestData, networkRequest) {
console.log(‘Request (#’ + requestData.id + ‘): ‘ + JSON.stringify(requestData));
};

page.open(“http://ke.qq.com”, function(status) {
if(status) {
console.log(“fail!”);
}
phantom.exit();
});

### onResourceReceived

onResourceReceived属性用于指定一个回调函数,当网页收到所请求的资源时,就会执行该回调函数。回调函数只有一个参数,就是所请求资源的服务器发来的HTTP response的元数据对象,包括以下字段。

> * id:所请求的资源编号,此编号phantomjs标识。
> * url:所请求的资源的URL
> * time:包含HTTP回应时间的Date对象
> * headers:响应的HTTP头信息数组
> * bodySize:解压缩后的收到的内容大小
> * contentType:接到的内容种类
> * redirectURL:重定向URL(如果有的话)
> * stage:对于多数据块的HTTP回应,头一个数据块为start,最后一个数据块为end。
> * status:HTTP状态码,成功时为200。
> * statusText:HTTP状态信息,比如OK。

需要注意的是,该方法收到的response对象是没有response.body的具体内容的。

可以利用正则表达式,来筛选出我们想要操作的一些响应资源。比如我想从淘宝教育的课程详情页跳转到购买页(在淘宝网中),可以从淘宝同学请求的资源url中筛选出带淘宝网商品详情页的商品id,然后用这个淘宝网商品id拼接成一个淘宝网的商品详情页url,再次使用open()方法打开这个url,就可以跳转到该课程的购买页中。

var page = require(‘webpage’).create(),
url1 = “http://i.xue.taobao.com/detail.htm?courseId=32679”,
url2 = “https://item.taobao.com/item.htm?id=”,
itemId = 0,
mItem = “”,
siteType = “taobao”;
page.onConsoleMessage = function(msg) {
console.log(‘console: ‘ + msg);
};
page.onResourceReceived = function(response) {
/*if(mItem = response.url.match(/^http\:\/\/(?:.*)[?|&]item=(\d*)/)) {
itemId = mItem[1];
console.log(itemId);
phantom.exit();
}*/
// 获取课程对应的淘宝网商品id
if(mItem = response.url.match(/itemId=(\d*)/)) {
itemId = parseInt(mItem[1]);
}
}
page.open(url1, function(status) {
if(status !== “success”) {
console.log(“tongxue fail!”);
phantom.exit();
}
page.render(“tongxue.png”);
// 打开课程对应的淘宝商品详情页。
page.open(url2 + itemId, function(status) {
if(status !== “success”) {
console.log(“tongxue fail!”);
phantom.exit();
}
// 由于页面中的资源是动态加载的,需要setTimeout 10s 等待资源加载完,再操作页面。
setTimeout(function() {
var apply = page.evaluate(function() {
// 获取课程交易量
return document.getElementById(“J_SellCounter”).innerText;
//return document.getElementById(“bd”);
});
console.log(“apply:”, apply);
//fs.write(“body.html”, apply, “w”);
phantom.exit();
}, 10000);

});

});

### 动态获取淘宝商品详情页的商品交易量

相信大家都知道爬虫的基本方式无非是抓取页面中的url,然后分析;但是页面中的url也些是静态的,有些事通过js动态生成的,故爬虫也分抓静及抓动之分。 因为淘宝商品详情页的交易量是异步拉取的,在异步数据还没有返回时,页面上交易量那一栏只是一个无意义的“-”,如图:

![][7]

当异步数据返回后,才会显示出真正的交易量:

![][8]

var webPage = require(‘webpage’);
var page = webPage.create();
var pageTb = webPage.create();
var tbUrl = “https://item.taobao.com/item.htm?id=520115087331”;

page.settings.userAgent = “Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.85 Safari/537.36”;

pageTb.open(tbUrl, function(status) {

// 由于是拉取异步数据,我们打开页面后,等待12s再去操作dom,获取交易量
setTimeout(function() {
var result = pageTb.evaluate(function() {
return document.getElementById(“J_SellCounter”).innerText;
});
console.log(result);
//生成当前页面截图
pageTb.render(“xuqintb2.png”);
phantom.exit();
}, 12000);
});

win7上执行命令:

$ phantomjs.exe –ssl-protocol=any xuqinTb.js
1379

win7上得到了交易量(由于是打开https协议头的网页,所以执行js文件时,需要添加”–ssl-protocol=any”参数)

## PhantomJS不能做什么

> * PhantomJS是一个阉割版的webkit,不支持flash、webGL、video/audio、css 3-d,phontomjs不想背负操作系统强相关的特性,跨平台比较困难。
> * 如果使用Page模块的onResourceReceived()方法监听页面收到的请求资源,是无法得到该资源的response.body的,这也是目前PhantomJS最受开发者吐槽的点之一。

[0]: http://phantomjs.org/%EF%BC%89
[1]: https://bitbucket.org/ariya/phantomjs/downloads/phantomjs-2.0.0-windows.zip
[2]: http://cygwin.com/install.html
[3]: https://bitbucket.org/ariya/phantomjs/downloads
[4]: https://bitbucket.org/ariya/phantomjs/downloads/phantomjs-1.9.8-linux-x86_64.tar.bz2
[5]: http://phantomjs.org/build.html
[6]: http://ke.qq.com
[7]: http://7tszky.com1.z0.glb.clouddn.com/FmjkmMpSNLTfrgTz–odKkVPvpEf
[8]: http://7tszky.com1.z0.glb.clouddn.com/FmRBzPJm8AO33s62jLIWcDLcB2iB