selenium - 如何为搜索引擎优化 PhantomJS 以索引单页应用程序？

Question

我一直在寻找可以在服务器上运行的 headless 网络浏览器，以便网络爬虫为单页应用程序编制索引。首先我尝试了 HTMLUnit 和 Selenium (HtmlUnitDriver)，但似乎它们都有 xhr 请求的问题。

我发现 PhantomJS 性能更好，而且看起来很成熟。 PhantomJS 有一个 internal webserver所以我决定将它与我的反向代理一起使用。然而，我运行了一个基准测试，PhantomJS 100% 达到了 CPU 核心，平均页面加载时间约为 4 秒。原因是我必须等待浏览器加载所有资源才能获得正确的结果。这是我的 PhantomJS 脚本:

var page = require('webpage');
var system = require('system');
var server = require('webserver').create();

// credit: http://backbonetutorials.com/seo-for-single-page-apps/
var service = server.listen(port, { 'keepAlive': true }, function(z, response) {
    var request = page.create();
    var lastReceived = new Date().getTime();
    var requestCount = 0;
    var responseCount = 0;
    var requestIds = [];
    var startTime = new Date().getTime();
    request.onResourceReceived = function (response) {
        if (requestIds.indexOf(response.id) !== -1) {
            lastReceived = new Date().getTime();
            responseCount++;
            requestIds[requestIds.indexOf(response.id)] = null;
        }
    };
    request.onResourceRequested = function (request) {
        if (requestIds.indexOf(request.id) === -1) {
            requestIds.push(request.id);
            requestCount++;
        }
    };
    request.settings = { 
      loadImages: false, 
      javascriptEnabled: true,
      loadPlugins: false 
    };
    request.open(z.url, function (status, a) {
        if (status !== 'success') {
            console.log('FAIL to load the address '+a);
        }
    });
    var checkComplete = function () {
        var now = new Date().getTime();
        if ((now - lastReceived > 300 && requestCount === responseCount) || now - startTime > 5000) {
            clearInterval(checkCompleteInterval);
            response.statusCode = 200;
            response.headers = {
                'Cache': 'no-cache',
                'Content-Type': 'text/html; charset=UTF-8',
                'Connection': 'Keep-Alive',
                'Keep-Alive': 'timeout=5, max=100',
                'Content-Length': request.content.length
            };
            response.write(request.content);
            response.close();
            request.release();
            console.log(request.url+" -> "+(now - startTime));
        }
    }
    var checkCompleteInterval = setInterval(checkComplete, 3);

});

是否有任何改进可以加快脚本速度，我应该使用它的 shell 命令运行 PhantomJS 以获得更好的性能还是这些浏览器有任何替代方案？

Answer 1

你可以用一些 command line switches提高捕获性能:

首先，您可以使用 --load-images=no 忽略所有图像.制作 HTML 快照时无需加载图像。

您还可以使用 --disk-cache=yes 启用缓存(使用 --max-disk-cache-size 以字节为单位设置其大小)

最后， WebPage#onResourceRequested 回调对于中止某些请求(跟踪器、媒体文件...)也很有用 NetworkRequest#abort方法。