有了 Docker，用 JavaScript 框架开发的 Web 站点也能很好地支持网络爬虫的内容抓取

n6xb 9年前

Prerender 服务能够为网络爬虫提供预先渲染的动态页面内容，解决了用 JavaScript 框架构建的 Web 站点不支持爬虫抓取的问题。本文详细描述了一种解决方案，尤其是提供了集成 Prerender 服务的 Docker 容器镜像。

有了 Docker，用 JavaScript 框架开发的 Web 站点也能很好地支持网络爬虫的内容抓取

如果你正在使用 AngularJS 构建一个面向大众消费者的应用，你肯定希望用户能把它分享到社交媒体上。对于特定的应用而言，丰富的社交分享差不多是最重要的营销渠道。所谓「丰富的社交分享」，是指像下面这样的分享：
有了 Docker，用 JavaScript 框架开发的 Web 站点也能很好地支持网络爬虫的内容抓取

可以看到， 非死book, 推ter 等社交站点能够获取非常丰富的内容，不仅限于网页标题和图片。为什么可以做到这一点？因为在网页 HTML 文档的head部分包含了有特别含义的元数据标记。像 非死book 以及 Pinterest 和 Google+ 等社交站点能读取遵循 开放图协议标准的元数据，例如， 
<head>  <meta property="og:title" content="My Page" />  <meta property="og:description" content="A description of my page." />  <meta property="og:image" content="http://www.mysite.com/images/my_lovely_face.jpg" />  <!-- etc. -->  </head>

推ter 也支持类似的机制，不过它用的元数据属性前缀是推ter:，而不是og:。

当用户在社交站点上分享一个 URL 时，社交站点会启动一个网络爬虫去抓取该页面的内容。网络爬虫首先在网页源文档中找出各种元数据标记，然后才会查看常规 HTML 元素的内容，例如，&lt;head>标记和网页中的图像等。

用 AngularJS（以及其它 JavaScript 框架）开发的 Web 站点不支持爬虫的抓取

我已经在 Earlyclaim 站点的网页中添加了所有必需的遵循开放图协议标准的元数据标记。但是，当我把 Earlyclaim 站点的一个链接分享到 非死book 时，显示的结果却是非常令人失望的：

有了 Docker，用 JavaScript 框架开发的 Web 站点也能很好地支持网络爬虫的内容抓取


导致如此糟糕的结果的原因很简单： 抓取网页时，网络爬虫并不会执行网页中的 JavaScript 代码。因此，爬虫抓取到的内容是这样的： 
<head>  <meta property="og:title" content="{{meta.title}} - earlyclaim.com" />  <meta property="og:description" content="{{meta.description}}" />  <meta property="og:image" content="{{meta.image}}" />  <!-- etc. -->  </head>

解决方案

解决方案的基本思想是：应用一种在服务器端执行的用户代理探测方法，识别出当前请求来自于社交站点的爬虫；此时，服务器不会像 处理浏览器请求那样返回一个 AngularJS 模板文件，而是重定向到一个服务器端生成的页面，页面中包含了希望提供的元数据标记以及正确填写的信息。

经过 Google 搜索，以及与其它创业公司 startypchile 的技术人员的讨论，我们发现了 prerender.io 服务，它能够预先渲染好动态页面的内容。这为问题的解决奠定了良好的开端。

Prerender 的开发者提供了很多 中间件， 还把 prerender 引擎开源，因为他们认为

我们相信搜索引擎优化（SEO）是一种权利，而非一种特权！
当然，如果你愿意，也可以付费使用他们提供的 Prerender 托管服务。

支撑 Earlyclaim 的基础设施是以 Docker 为基础构建的。为了集成 Prerender 服务，我们首先在 Docker Hub 中找出相关的几个容器镜像，然后进行试用，结果难以令人感到满意。

我们的需求包括：
  • 完全可定制的环境（通过 Kitematic ）；
  • 能够使用 Redis 作为缓存数据库；
  • 立即可用的 Prerender 容器。

这些也是我们自行构建容器镜像的原因！

有了 Docker，用 JavaScript 框架开发的 Web 站点也能很好地支持网络爬虫的内容抓取

为什么公开我们的解决方案

首先，我们信仰「协同智能」：

协同智能是多主体、分布式系统的特征，其中每个主体（人或者机器）都有唯一的位置，自主地为问题解决网络作贡献。在生态 系统中，有机体的协同自治使得演化成为可能。在自然生态系统中，每个有机体的唯一标识来自于自身的基因、环境以及它在生态系统中的行为和位置。自然生态系 统为设计下一代社交网络提供原则，使之能够支持协同智能、众包个人的专长、偏好以及在问题解决过程中的独特贡献。
- 摘自 维基百科
我们的解决方案是建立在开源的 prerender.io 引擎 的基础之上：没有它，就不会有我们的解决方案。 Prerender 团队太棒了。

其次，同样重要的是，在与很多创业公司的开发者交流之后，我们了解到：他们很多人都在使用 AngularJS 或者其它框架构建 Web 应用，也需要解决搜索引擎优化/丰富的社交分享问题。然而，由于不知道解决方法，或者感觉解决起来太耗费时间，或许会影响更为重要的产品发布时间，他们暂 时搁置这个问题，留待以后解决。还有些开发者甚至没有意识到有这个问题，当从我们这里听说了之后，他们请求我们把解决方案分享出来。

我们相信这个方案能够加速整个开发进程，因为它解决了一个普遍的问题。很高兴能够分享这个方案。

实现

如果技术人员想把我们构建的容器镜像添加到自己的基础设施中，请参考 Docker Hub 上的文档： https://registry.hub.docker.co ... edis/

AngularJS 服务

如果是 AngularJS 应用，首先实现下面的代码： 
'use strict';  !(function (window, document, undefined) {  var getModule = function (angular) {  return angular.module('seo', [])    .run([      '$rootScope',      function ($rootScope) {        $rootScope.htmlReady = function () {          $rootScope.$evalAsync(function () { // fire after $digest            setTimeout(function () { // fire after DOM rendering              if (typeof window.callPhantom === 'function') {                window.callPhantom();              }            }, 0);          });        };      }    ]);  };  if (typeof define === 'function' && define.amd) {  define(['angular'], getModule);  } else {  getModule(angular);  }  })(window, document);

然后通过angular.module('youApp', ['seo'])调用。

结论

如果你使用我们的容器，觉得还不错，请一定告知我们（ @Earlyclaim）。

如果你觉得有人会对此感兴趣，请转发给他们（点击社交分享按钮）！

任何建议，请发推特并通知 @Earlyclaim ：非常期待您的观点和文字！

任何代码改进，请通过 GitHub 推送合并请求！

顺便说一句，我们热爱创业公司，我们热爱开发者，我们热爱社区！ 开放生态系统万岁！

原文：Get your Javascript website perfectly crawled with Docker （翻译：柳泉波 校对：佚名）

来自：http://dockerone.com/article/279