关于微博的爬虫问题!!?

不知道各位爬虫过微博的页面么?
今天我试了试,获取到的html内容居然不是我想要的!!
全是js内容,
我猜测微博是实用js文件加载内容的。

那么问题来了,
我要怎么获取js加载后的页面内容呢?就是body里面的标签内容。

我使用的是nodejs,superangert、cheerio、express。
望大神赐教,小弟感恩不尽。

阅读 5.2k
3 个回答

微博都是动态加载的,难度比较大

可以试试WAP版本的 http://weibo.cn/

1)用正常的URL请求取访问,获取返回的内容存在本地发文件后,check下和最终的HTML文件内容有那些区别
2)你用下chrome的开发工具或firebug等工具查看页面的网络请求,查找其中的有关的http请求,特别是那些JSONP的请求
3)有些内容是要LAZY加载的,还需要你进一步观察~~~~
4)如果你对实时性要求不高的,可以考虑用phantomJS或electron等框架,让HTML渲染引擎完全渲染后,在抓取内容

总之,现在页面越来越难抓了~~~,
另外爬虫,要用到express么?superangert用来做代理?

撰写回答
你尚未登录,登录后可以
  • 和开发者交流问题的细节
  • 关注并接收问题和回答的更新提醒
  • 参与内容的编辑和改进,让解决方法与时俱进
推荐问题