[转]phantomjs使用说明

phantomjs实现了一个无界面的webkit浏览器。虽然没有界面,但dom渲染、js运行、网络访问、canvas/svg绘制等功能都很完备,在页面抓取、页面输出、自动化测试等方面有广泛的应用。

安装

下载phantomjs( 官方下载 ,下载失败请访问 另一个下载点 )。解压到任意目录,并将包含phantomjs.exe的目录添加到系统路径。

如果要借助phantomjs进行无头测试,请参考各个测试框架的说明,或者参考phantomjs的官方文档: http://phantomjs.org/headless-testing.html

使用说明

简单示例
// test.js
var page = require('webpage').create(),
	system = require('system'),
	address;
if (system.args.length === 1) {
	phantom.exit(1);
} else {
	address = system.args[1];
	page.open(address, function (status) {
		console.log(page.content);
		phantom.exit();
	});
}

运行:

phantomjs ./test.js http://baidu.com

这个例子简单地展示了通过phanton访问baidu.com,并输入html内容。使用方式就像使用node运行js代码一样。在phantom运行时,它会向当前代码运行环境注入phantom对象。如上面代码中,通过phantom对象控制程序终结。示例中其他代码的含义以及更多深入的用法,将在下文中展开。


window对象

在使用phantom时,我首先关注的是DOM和BOM接口。不过这不是一个问题,看了下面的代码就能了解:

// test.js
console.log(window === this);
phantom.exit();

运行:

phantomjs ./test.js

结果为 true 。也就是说,就像浏览器环境一样,我们的代码运行在window环境下,可以很方便地进行DOM方面的操作。

注:如果使用web page模块打开页面,则请不要在此window对象下进行任何DOM相关的操作,因为这个window并不是page对象内的window。如果想要执行dom相关操作,请参阅 page.evaluate() 部分。


phantom对象

之前的例子中我们已经初步认识了phantom对象。它的功能是定义和控制phantom运行环境的参数和流程。关键的API有:

  1. phantom.args String[]

    获取传给本JS程序的参数,需要与 system.args 进行区分(system模块详见下文),后者表示传给phantomjs引擎的参数。例如 phantomjs ./test.js http://baidu.com 这句语句,通过 phantom.args ,我们能得到的参数列表为 ["http://baidu.com"] ,而通过 system.args 则得到 ["./test.js", "http://baidu.com"] 这样的参数列表。差异就在于是否包含当前脚本名称。不过 phantom.scriptName 这个API提供了获取脚本名称的功能。

  2. phantom.cookies Object[]

    获取或设置cookies,不过对于设置建议使用其他的API完成。同时相关的API还有:

    • phantom.addCookie(Object) Boolean:添加cookie值

    • phantom.deleteCookie(cookieName) Boolean:删除指定Cookie值

    • phantom.clearCookies() :清空所有的cookie

    • phantom.cookiesEnabled Boolean:获取或设置是否支持cookie

  3. phantom.injectJs(fileName) Boolean:

    把指定的外部JS文件注入到当前环境。执行这个方法时,phantomjs首先会从当前目录检索此文件,如果找不到,则再到 phantom.libraryPath 指定的路径寻找。 phantom.libraryPath 这个API基本上就是为 phantom.injectJs() 服务的。

  4. phantom.onError

    当页面存在js错误,且没有被 page.onError 处理,则会被此handler捕获。下面是使用此API的一个例子。由于phantom环境下代码调试很困难,了解这些错误捕获的API也许会对我们的实际使用有所帮助。

    phantom.onError = function(msg, trace) {
       var msgStack = ['PHANTOM ERROR: ' + msg];
       if (trace && trace.length) {
         msgStack.push('TRACE:');
         trace.forEach(function(t) {
           msgStack.push(' -> ' + (t.file || t.sourceURL) + ': ' + t.line + (t.function ? ' (in function ' + t.function +')' : ''));
         });
       }
       console.error(msgStack.join('\n'));
       phantom.exit(1);
     };
  5. phantom.exit(returnValue)

    这个API已经见过多次了,它的作用是退出程序,可以设置一个退出代码,默认是0。


web page 模块

web page模块的功能是处理具体的页面。使用时需要引入模块,并创建实例:

var webPage = require('webpage');
var page = webPage.create();

本文中不经说明, page 指代 require("webpage").create() 的实例。

  1. page.cookies Object[]

    与上文中的 phantom.cookies 类似,表示本url下的cookie的读取。同样类似的API还有 addCookie()deleteCookie()clearCookies()

  2. 页面内容相关的API

    • page.content String:获取或设置当前页面的html。

    • page.plainText String:这是一个只读属性,获取页面去除html标记的文本(考虑 $.text() )。

    • page.url String:只读,获取当前页面的url。

    • page.setContent() :允许修改 page.contentpage.url 内容,会触发reload。

  3. page.settings Object

    对于当前页面的一些配置项。此API必须在 page.open() 调用之前设置,否则不会起作用。以下是配置项: * javascriptEnabled 默认 true :是否执行页面内的javascript

    • loadImages 默认 true :是否载入图片

    • userAgent :传递给服务器的userAgent字符串

    • userName :用于http访问授权的用户名

    • password :用于http访问授权的密码

    • XSSAuditingEnabled 默认 false :是否监控跨域请求

    • resourceTimeout 单位 ms :定义资源请求的超时时间。如果设置了此项,则页面中如果有任何资源超过此时限未请求成功,则页面其他部分也会停止请求,并触发 onResourceTimeout() 事件处理。

  4. page.customHeaders Object

    phantom允许在请求时在http请求头部添加额外信息,此设置项对这个page里面所有的请求都生效(包含页面和其他资源的请求)。添加的信息并没有限制,但如果设置 User-Agent 的值,那么这个值会覆盖掉 page.settings 里的设置值。示例:

    page.customHeaders = {
       "X-Test": "foo",
       "DNT": "1"
     };
  5. page.libraryPath String

    phantom.libraryPath 类似,page对象也支持设置js文件路径,同时可以通过相应的 page.injectJs() 方法注入javascript文件。除了 page.injectJs() 方法外,还有 page.includeJs() 也可以加入javascript文件。它们的区别在于, page.injectJs() 不强求此文件能访问得到,即使是一个不可访问的资源也可以。

  6. page.navigationLocked Boolean 默认 fasle

    设置是否允许离开当前页面,默认是允许。

  7. page.open()

    此方法用于打开一个网页,是一个很重要的API,它有三种调用形式:

    • open(url, callback)
    • open(url, method, callback)
    • open(url, method, data, callback)

    联想一下 $.ajax() ,可以更好理解这个API。对于这些参数,需要单独阐述的是callbackcallback() 会在页面载入完成后调用,由 page.onLoadFinished 调用(时机晚于 page.onLoadFinished )。这个 callback 会接受一个参数 status,可能值为 "success""fail" ,指示页面是否加载成功。示例可以参考“简单示例”一节的例子。

  8. page.close()

    page.open() 对应,调用 page.close() 之后,会释放page所占用的内存,我们不可以在此之后再调用page实例。在实际的操作中,调用此方法并不会完成清空所占内存;javascript的垃圾回收机制也不会回收page实例。但在实际使用中,常常会遇到将一个page实例反复open的情况。在一个页面用完后,记得一定要执行page.close() ,这样在下一次open的时候,才不会重复分配堆栈空间。

  9. page.evaluate(fn, [param])

    对于page打开的页面,往往需要与其进行一些交互。 page.evaluate() 提供了在page打开页面的上下文(下文直接用page上下文指代)执行function的功能(类比Chrome开发者工具的控制台)。如下例:

    page.open('http://m.bing.com', function(status) {
       var title = page.evaluate(function(s) {
         return document.querySelector(s).innerText;
       }, 'title');
       console.log(title);
       phantom.exit();
     });

    在这个例子中, page.evaluate() 接受两个参数,第一个是必需的,表示需要在page上下文运行的函数 fn ;第二个是可选的,表示需要传给 fn 的参数 paramfn 允许有一个返回值 return ,并且此返回值最终作为 page.evaluate() 的返回值。这边对于刚刚命名的 paramreturn 有一些额外的说明和注意事项。对于整个phantom进程而言, page.evaluate() 是跑在一个沙盒中, fn 无法访问一切phantom域中的变量;同样 page.evaluate() 方法外部也不应该尝试访问page上下文中的内容。那么如果两个作用域需要交换一些数据,只能依靠 paramreturn 。不过限制很大, paramreturn 必须为能够转化为JSON字符串,换言之,只能是基本数据类型或者简单对象,像DOM 节点、$对象、function、闭包等就无能为力了。

    这个方法是同步的,如果执行的内容对后续操作不具备前置性,可以尝试异步方法以提高性能: page.evaluateAsync()

  10. page.render(filename)

    page.render() 能够把当前页面渲染成图片并输出到指定文件中。输出的文件格式由传入的文件扩展名决定,目前支持 PNGJPEGGIFPDF

    var page = require('webpage').create();
    page.open('http://github.com/', function() {
      page.render('github.png');
      phantom.exit();
    });

    还有其他一些API会对 page.render() 产生影响,如:

    • page.zoomFactor Number: 设置缩放比率

    • page.clipRect Object:设置输出的矩形区域,例如:

      page.clipRect = {
          top: 14,
          left: 3,
          width: 400,
          height: 300
        };

    还有一些页面设置参数,如果纸张大小,侧边距等,在此不详述。web page也支持输出图片base64格式的字符串,API为 page.renderBase64() ,也不再详述。

  11. page.sendEvent()

    为了交互的需要(测试的需要),phantom允许通过代码模拟一些交互事件(注意与DOM事件的区分)。

    • 鼠标事件:

      API: sendEvent(mouseEventType[, mouseX, mouseY, button='left'])

      mouseEventtype 可能的取值为: 'mouseup''mousedown''mousemove''doubleclick''click' ,这个参数为必须的。

      后两个参数为鼠标事件的坐标位置。最后一个参数为鼠标按键,只对需要按键的事件有效,默认为 'left' ,可能值为 'right''left''middle'

    • 键盘事件:

      API: sendEvent(keyboardEventType, keyOrKeys, [null, null, modifier])

      keyboardEventType 可能的取值为 'keyup''keydown''keypress' ,第2个参数传入一个键值或一个字符串。键值可以通过 page.event.key 来查询调用。第三和第四个参数无效,第五个参数表示同时按下的修饰键。取值情况如下:

      • : 未使用修饰键
      • 0x02000000 : Shift键被按下
      • 0x04000000 : Ctrl键被按下
      • 0x08000000 : Alt键被按下

    看一个示例:

    page.sendEvent('keypress', page.event.key.A, null, null, 0x02000000 | 0x08000000);
  12. page.switchToFrame(frameName/framePosition)

    默认page对应的是frame,如果一个页面中还有其他frame,则可以通过此方法切换page对应的frame。其他类似的方法还有 switchToChildFrame()switchToParentFrame()switchToFocusedFrame()switchToMainFrame() 等,不再赘述。

  13. page.uploadFile(selector, file)

    页面中常常会有上传文件的操作,但phantom没有界面,因而也就没有办法选择文件上传,通过此方法可以模拟文件上传操作。示例如下:

    page.uploadFile('input[name=image]', '/path/to/some/photo.jpg');
  14. 一些事件处理接口

    • page.onAlert :phantom没有界面,所以也就不能处理alert窗口,但可以通过此接口捕获到alert。

    • page.onPrompt :类似的,phantom不能处理prompt窗口,通过这个接口可以捕获prompt。

    • page.onConfirm :类似的,phantom不能处理confirm窗口,通过这个接口可以捕获confirm。

    • page.onConsoleMessage :类似的,phantom不能显示console窗口,通过这个接口可以捕获console消息。

      var webPage = require('webpage');
        var page = webPage.create();
        page.onAlert = function(msg) {
          console.log('ALERT: ' + msg);
        };
        page.onPrompt = function(msg, defaultVal) {
          if (msg === "What's your name?") {
            return 'PhantomJS';
          }
          // 返回值就是prompt得到的值
          return defaultVal;
        };
        page.onConfirm = function(msg) {
          console.log('CONFIRM: ' + msg);
          // 返回true相当于点击“确定”,返回false相当于点击“取消”
          return true;
        };
        page.onConsoleMessage = function(msg, lineNum, sourceId) {
          console.log('CONSOLE: ' + msg + ' (from line #' + lineNum + ' in "' + sourceId + '")');
        };
    • page.onInitialized :在page创建后触发。

    • page.onUrlChanged :在url发生变化时触发。它接受新的url作为参数。首次加载页面, page.onUrlChanged 是在 page.onInitialized 之后触发。

    • page.onNavigationRequested :如果在 page.navigationLocked 中允许页面跳转,此接口才会有意义(参见 page.navigationLocked )。它接受4个参数,先看示例:

      page.onNavigationRequested = function(url, type, willNavigate, main) {
          console.log('Trying to navigate to: ' + url);
          console.log('Caused by: ' + type);
          console.log('Will actually navigate: ' + willNavigate);
          console.log('Sent from the page\'s main frame: ' + main);
        }
      • url 表示要跳转到的url
      • type 表示产生跳转的原因,可能值有 'Undefined''LinkClicked''FormSubmitted''BackOrForward''Reload''FormResubmitted''Other'
      • willNavigate 表示是否会跳转,由 page.navigationLocked 控制
      • main 表示发生跳转的是否是主frame,如果是主frame则为true,如果为其他frame则为false
    • page.onLoadStarted :在开始载入资源时触发。

    • page.onLoadFinished :页面所有资源载入完成后触发。其实与 page.open()的回调函数等价。它接受一个参数 status ,表示加载是否成功。参见 page.open()

    • page.onClosing :当在phantom域调用 page.close() 或page上下文调用 window.close() 时触发。

    • page.onError : 此接口捕获所有page上下文发生的javascript错误。参数是错误信息和调用堆栈,参见 phantom.onError 。如果page不处理错误,那么这些错误会冒泡到phantom的onError处理器。

    • page.onCreate :当page创建子窗口时触发,例如在page上下文中使用 window.open ,但是子窗口再创建子窗口不会触发此事件。

    • page.onResourceRequested :当页面请求一个资源时触发的事件,它接受两个参数,第一个参数是 requestData 对象,它有如下属性:

      • id : 资源请求编号
      • method : http请求方法,get/post等
      • url :请求的URL
      • time : 一个Date object,包含响应接收的时间
      • headers : http头部的信息列表

    第二个参数是 networkRequest 实例,它包含3个方法:

    * `abort()`:中断当前的请求。这样做会触发onResourceError
    * `changeUrl(url)`:改变当前请求的目标url
    * `setHeader(key, value)`:修改/添加http头部信息
    • page.onResourceReceived :当一个资源请求的响应接收到后触发此事件,它接受一个 response 对象,这个对象有如下属性:

      • id : 资源请求编号
      • url :请求的URL
      • time : 一个Date object,包含响应接收的时间
      • headers : http头部的信息列表
      • bodySize : 已接收到的数据大小(全部数据或已接收的部分数据)
      • contentType : 指定的内容类型
      • redirectURL : 如果是一个重定向响应,那么此处是重定向到的url
      • stage : “start”/ “end”
      • status : http状态码,如:200
      • statusText : http状态描述,如:OK
    • page.onResourceError :当资源加载失败时,触发此事件。它接收一个 resourceError 对象,这个对象有如下属性:

      • id :资源请求的编号
      • url :请求的URL
      • errorCode :错误代码
      • errorString :错误信息

    可参考如下示例:

    page.onResourceError = function(resourceError) {
      console.log('Unable to load resource (#' + resourceError.id + 'URL:' + resourceError.url + ')');
      console.log('Error code: ' + resourceError.errorCode + '. Description: ' + resourceError.errorString);
    };
    • page.onResourceTimeout :在讲 page.settings 时曾经提到过这个事件。如果设置了 page.settings.resourceTimeout ,并且资源在这个时间内没有载入完成,则会触发此事件,它接受一个 request 对象,这个对象包含如下属性:
      • id : 资源请求编号
      • method : http请求方法,get/post等
      • url :请求的URL
      • time : 一个Date object,包含响应接收的时间
      • headers : http头部的信息列表
      • errorCode :错误代码
      • errorString :错误信息

Child Process模块

通过Child Process模块,我们能创建子进程,借助 stdinstdoutstderr 来实现进程间通信(很C++)。使用子进程能够做很多事情,如打印、发邮件、调用脚本或其他程序(不局限于javascript)。

要使用Child Process模块,我们需要在代码中添加 require("child_process")

以下内容缺乏文档支持,并未经过充分测试,可能存在一定的理解偏差。这部分功能是极有用的,希望在项目中使用的时候注意测试。

Child Process模块本身应该也并完全开发完全。 spawn()execFile() 可用, exec()fork() 尚未实现。

  1. spawn(command, [args], [options])

    最基本的创建进程的方法。前两个参数比较重要,例如现在想从phantom进程中运行一段nodejs脚本,脚本路径为 “main.js” ,这个脚本接受一个参数,假定为 “helloworld” ,那么如果想得到这段脚本的运行结果应该怎么做呢?参考下面的脚本:

    var spawn = require("child_process").spawn;
     child = spawn('node', ['main.js', 'helloworld']);
     child.stdout.on("data", function (data) {
    	 console.log("spawnSTDOUT:", JSON.stringify(data))
     });
     child.stderr.on("data", function (data) {
    	 console.log("spawnSTDERR:", JSON.stringify(data))
     });
     child.on("exit", function (code) {
    	 console.log("spawnEXIT:", code)
     });
     setTimeout(function () {
    	 phantom.exit(0)
     }, 2000);

    其实 spawn() 方法没什么神秘的,它就是运行第一个参数表示的命令,第二个参数就是这个命令的参数列表。所以如果要开启一个新的phantom进程,第一个参数为 phantom 就行。同样的道理,指定好程序的路径或者是脚本语言解释器的路径,通过这个方法可以做的事情很多。 比较不方便的是,进程间的通信只能通过 stdinstdoutstderr 来完成,调用 spawn() 方法后,还需要对这些交互信息进行监听,上面的例子中演示了监听 stdoutstderr 的方法。

  2. execFile(cmd, args, opts, cb)

    就像刚刚说的, spawn() 方法稍微感觉有点麻烦,使用 execFile() 能够稍稍简化上面的代码。 execFile() 的前三个参数与 spawn() 的三个参数完全一样,不同的是它多了一个 cb 回调函数,看一个例子就知道这个回调函数有什么用了:

    var execFile = require("child_process").execFile;
     child = execFile('node', ['main.js', 'helloworld'], null,
    	 function (err, stdout, stderr) {
    		 console.log("execFileSTDOUT:", JSON.stringify(stdout))
    		 console.log("execFileSTDERR:", JSON.stringify(stderr))
    	 });
     setTimeout(function () {
    	 phantom.exit(0)
     }, 2000);

    execFile() 中,对 stdoutstderr 的监听做了封装,简化了我们的代码,不过功能上与 spawn() 并无区别。


file system模块

虽然与node.js中文件系统模块名称和调用方法( require("fs") )一样,但不得不说,phantom的文件系统模块总体是比较简单的,API不多但够用,API也不同于node.js的异步回调风格,而是采用stream+同步的风格,浓浓的C++风味。在使用的时间请一定要注意与node.js的文件系统模块做区分。

  1. fs.open(path, mode/opts) File

    open() 方法接受两个参数,第一个参数是要打开的文件路径,第二个参数后面还会见到,这里统一说明。如果是字符串,则代表文件打开的模式,可选的有 'r''w''a/+''b' (read时仅支持 'b' );如果是一个对象,则表示配置项,一共有两个配置项,分别是 modecharsetmode 就是刚刚提到的打开模式, charset 表示文件的编码类型。参阅下面的示例:

    var fs = require("fs");
     var file = fs.open("main.js", 'r');
     console.log(file.read());
     file.close();
     file = fs.open("main.js", 'a');
     file.write("123");
     file.close();
     setTimeout(function () {
         phantom.exit(0)
     }, 2000);

    对打开的文件,我们可以进行读写操作(具体使用与打开模式有关)。如果对一个文件执行了open,请别忘了在文件使用完成后,再对其执行close。

  2. fs.read(path, mode/opts) String

    fs.read() 方法对文件读取做了封装,不必关心文件的打开关闭,返回值为文件内容。

  3. fs.write(path, content, mode/opts)

    fs.write() 方法对文件写入做了封装,不必关心文件的打开关闭。

  4. 其他API:

    • fs.size(path) Number:获取文件大小

    • fs.copy(source, destination) :复制文件

    • fs.copyTree(source, destination) :复制目录树

    • fs.move(source, destination) :移动文件

    • fs.moveTree(source, destination) :移动目录树

    • fs.remove(file) :删除文件

    • fs.removeTree(path) :删除目录

    • fs.join(partialPath[]) String:组合路径

    • fs.split(path) String[]:切割路径

    • fs.exist(path) Boolean:文件或目录是否存在

    • fs.isFile(path) Boolean:指定路径是否是文件

    • fs.isDirectory(path) Boolean:指定路径是否是目录

    • fs.list(path) String[]:获取指定目录下的文件/目录名称列表


System模块

在文档一开始就已经提到过system模块,一开始的例子中,我们使用了system模块提供的 args 属性。现在重新来认识一下system模块。system模块主要管理着一些与运行环境有关的属性。

  1. system.args String[]

    获取运行phantomjs时传入的所有参数,这个不再赘述。

  2. system.env Object

    获取当前的环境信息。包含操作系统信息、环境变量信息等等。通过下面的代码来查看一下吧:

    var system = require('system');
     var env = system.env;
     Object.keys(env).forEach(function (key) {
    	 console.log(key + '=' + env[key]);
     });
     setTimeout(function () {
    	 phantom.exit(0)
     }, 2000);
  3. system.os Object

    获取操作系统信息,返回一个简单对象,这个对象有3个属性: architecture :架构,如“32bit”; name :操作系统名称; version :操作系统版本。

  4. system.pid Number

    获取当前进程的pid。

  5. system.platform String

    永远返回 'phantomjs'


Web Server模块

phantomjs支持一个简单的web server模块, require('webserver') 即可引入。web server模块基于 mongoose 。不过最好不要在生产环境使用这样的服务器模块,因为现阶段此模块仅允许10个并发请求。

看一个简单的例子吧:

var webserver = require('webserver');
var server = webserver.create();
var service = server.listen(8080, function(request, response) {
  response.statusCode = 200;
  response.write('<html><body>Hello!</body></html>');
  response.close();
});

首先需要创建服务器实例,然后调用 listen() 方法监听, listen() 方法的第一个参数可以为一个端口号,也可以中 ip:port 这样的ip+port组合方式。第二个参数是处理请求的回调方法。下面描述一下 requestresponse 两个对象。

  • request:

    • method :http请求的方法,get、post等

    • url : 包含http请求URL和get请求的query string(如果有的话)

    • httpVersion :当前采用的http协议的版本

    • headers :所有http请求头部信息,以键值对的形式提供

    • post :请求主体,仅对post和put方法的请求有效

    • postRaw :如果Content-type为 'application/x-www-form-urlencoded' (表单上传的默认值)时,post的原始信息会暂存在此属性中。

  • response:

    • headers :以键值对的形式保存所有的HTTP请求头部的信息,在第一次调用 write() 方法前一定要设置

    • setHeader(name, value) :设置或添加特定的头部信息

    • header(name) :获取特定的头部信息

    • statusCode :设置HTTP状态码

    • setEncoding(encoding) : 标明传给 write() 的数据需要转换成什么格式,默认为UTF-8。如果数据为二进制字符串,则设置为“binary”

    • write(data) :向response中发送数据块,可以多次调用

    • writeHead(statusCode, headers) :向response中发送响应头部。statusCode 是一个3位数字,表示HTTP状态码(如404)。后一个参数代码响应头部

    • close() :关闭HTTP连接

      • 为了避免客户端检测到连接中断,记得最后再用 write() 方法发送一个空字符串(如: response.write("") )。
    • closeGracefully() :功能与 close() 一样,不过更安全可靠,它能保证响应头部先发送,并自动在响应最后加上 response.write("")