javascript-解析具有动态内容的网站

我正在使用Nokogiri解析TechCrunch [具有特定的搜索词.

http://techcrunch.com/search/education#stq=education&stp=1

问题在于该站点在返回与搜索项相关的列表之前有几秒钟的延迟,因此当Nokogiri检索到它时,我输入到Nokogiri解析的URL没有相关内容.

几秒钟后,内容似乎已动态加载-我猜是Javascript.
关于如何稍微延迟检索HTML的任何想法？

解决方法:

用Ruby方法,睡觉

seconds_to_delay = 5
sleep seconds_to_delay

编辑1：处理在文档加载完成后一段时间加载的div

我讨厌这种情况.我必须处理完全相同的情况,所以这就是我的解决方法.
您需要使用selenium-webdriver gem之类的东西.

require 'selenium-webdriver'
url = "http://techcrunch.com/search/education#stq=education&stp=1"

css_selector = ".tab-panel.active"

driver = Selenium::WebDriver.for :firefox
driver.get(url)
driver.switch_to.default_content
posts_text = driver.find_element(:css, css_selector).text
puts posts_text
driver.quit

如果您在Heroku,AWS EC2或Digital Ocean之类的虚拟机上运行此程序,则不能使用firefox.相反,您需要像phantom.js这样的无头浏览器.

为了使用phantom.js而不是firefox,首先,在VM上安装phantomjs.然后更改为driver = Selenium :: WebDriver.for：phantomjs.

您可以使用this gem为您实际安装phantomjs.

问题b)的第二次编辑

require 'selenium-webdriver'
url = "http://techcrunch.com/search/education#stq=education&stp=1"

css_selector = ".tab-panel.active ul.river-compact.river-search li"

driver = Selenium::WebDriver.for :phantomjs
driver.get(url)
driver.switch_to.default_content
items = driver.find_elements(:css, css_selector)
items.each {|x| puts x }
driver.quit