在 node.js 中抓取经过身份验证的网站

Question

我想用 node.js 抓取我的大学网站 (moodle)，但我还没有找到能够做到这一点的无头浏览器。 我使用 RoboBrowser 仅用 10 行代码在 python 中完成了它：

from robobrowser import RoboBrowser
url = "https://cas.upc.edu/login?service=https%3A%2F%2Fatenea.upc.edu%2Fmoodle%2Flogin%2Findex.php%3FauthCAS%3DCAS"
browser = RoboBrowser()
browser.open(url)
form = browser.get_form()
form['username'] = 'myUserName'
form['password'] = 'myPassword'
browser.submit_form(form)
browser.open("http://atenea.upc.edu/moodle/")
print browser.parsed

问题是该网站需要身份验证。 你能帮助我吗？ 谢谢！

PD：我认为这很有用https://www.npmjs.com/package/form-scraper但我无法让它工作。

Answer 1

假设您想阅读第 3 方网站，并“抓取”特定信息，您可以使用Cheerio等库在Node.js中实现这一点。

Cheerio 是“专为服务器设计的核心 jQuery 的精益实现” 。 这意味着给定 DOM（或其一部分）的 String 表示，cheerio 可以像 jQuery 一样遍历它。

Max Ogden 的一个示例展示了如何使用request模块从远程服务器获取 HTML，然后将其传递给cheerio ：

var $ = require('cheerio')
var request = require('request')

function gotHTML(err, resp, html) {
  if (err) return console.error(err)
  var parsedHTML = $.load(html)
  // get all img tags and loop over them
  var imageURLs = []
  parsedHTML('a').map(function(i, link) {
    var href = $(link).attr('href')
    if (!href.match('.png')) return
    imageURLs.push(domain + href)
  })
}

var domain = 'http://substack.net/images/'
request(domain, gotHTML)

Answer 2

Selenium支持多种语言、多种平台和多种浏览器。