現今，網頁抓取已經是一種人所共知的技術了，然而依然存在著諸多復雜性， 簡單的網頁爬蟲依然難以勝任Ajax輪訓、XMLHttpRequest，WebSockets，Flash Sockets等各種復雜技術所開發出來的現代化網站。
我們以我們在Hubdoc這個項目上的基礎需求為例，在這個項目中，我們從銀行，公共事業和信用卡公司的網站上抓取帳單金額，到期日期，賬戶號碼，以及最重要的：近期賬單的pdf。對于這個項目，我一開始采用了很簡單的方案（暫時并沒有使用我們正在評估的昂貴的商業化產品）——我以前在MessageLab/Symantec使用Perl做過的一個簡單的爬蟲項目。但是結果很不順利，垃圾郵件發送者所制作的網站要比銀行和公共事業公司的網站簡單的多得多。
那么如何解決這個問題呢？我們主要從使用Mikea開發的優秀 request庫開始。在瀏覽器中發出請求，并在Network窗口中查看到底發送出去了什么請求頭，然后把這些請求頭拷貝到代碼里。這個過程很簡單。僅僅是跟蹤從登陸開始，到下載Pdf文件結束的這個過程，然后模擬這個過程的所有的請求而已。為了使類似的事情處理起來變得容易，并且能讓網絡開發者們更加合理地寫爬蟲程序，我把從HTML上取到結果的方把導出到jQuery中（使用輕量級 cheerio庫），這使得相似的工作變得簡單，也使利用CSS選擇子選取一個頁面中的元素變得較為簡單。整個過程被包裝進一個框架，而這個框架也可以做額外的工作，例如從數據庫中拾取證書，加載個體機器人，和UI通過socket.io溝通。
對于一些web站點來說這個是有效的，但這僅僅是JS腳本，而不是我那個被這些公司放在他們站點上的node.js的code。他們對遺留下來的問題，針對復雜性就行分層，使得你非常難去弄明白該做什么來得到登錄的信息點。對于一些站點我嘗試了幾天通過與request()庫結合來獲取，但仍是徒然。
在幾近崩潰后，我發現了node-phantomjs，這個庫可以讓我從node中控制phantomjs headless webkit瀏覽器（譯者注：這個我沒想到一個對應的名詞，headless這里的意思是渲染頁面在后臺完成，無需顯示設備）。這看起來是一種簡單的解決方案，但是還有一些phantomjs無法回避的問題需要解決：
1.PhantomJS只能告訴你頁面是否完成了加載，但是你無法確定這個過程中是否存在通過JavaScript或者meta標簽實現的重定向（redirect）。特別是JavaScript使用setTimeout()來延遲調用的時候。
2.PhantomJS為你提供了一個頁面加載開始（pageLoadStarted）的鉤子，允許你處理上面提到的問題，但是這個機能只能在你確定要加載的頁面數，在每個頁面加載完成時減少這個數字，并且為可能的超時提供處理（因為這種事情并不總是會發生），這樣當你的數字減少為0，就可以調用你的回調函數了。這種方式可以工作，但是總讓人覺得有點像是黑客手段。
3.PhantomJS每抓取一個頁面需要一個完整獨立的進程，因為如果不這樣，無法分離每個頁面之間的cookies。如果你是用同一個phantomjs進程，已經登錄的頁面中的session會被發送到另一個頁面中。
4.無法使用PhantomJS下載資源 - 你只能將頁面保存為png或者pdf。這很有用，但是這意味著我們需要求助于request()來下載pdf。
5.由于上述的原因，我必須找到一個方法來將cookie從PhantomJS的session中分發到request()的session庫中去。只需要將document.cookie的字符串分發過去，解析它，然后將其注入到request()的cookie jar中去。
6.將變量注入到瀏覽器session中并不是件容易的事情。要這么做我需要創建一個字符串來建立一個Javascript函數。
Robot.prototype.add_page_data = function (page, name, data) {
page.evaluate(
"function () { var " + name + " = window." + name + " = " + JSON.stringify(data) + "}"
);
}
7.一些網站總是充斥著console.log()之類的代碼，也需要將他們重新定義，輸出到我們希望的位置。為了完成這個，我這么做：
if (!console.log) {
var iframe = document.createElement("iframe");
document.body.appendChild(iframe);
console = window.frames[0].console;
}
8.一些網站總是充斥著console.log()之類的代碼，也需要將他們重新定義，輸出到我們希望的位置。為了完成這個，我這么做：
if (!console.log) {
var iframe = document.createElement("iframe");
document.body.appendChild(iframe);
console = window.frames[0].console;
}
9.告訴瀏覽器我點擊了a標簽也是件很不容易的事情，為了完成這些事情，我加入了以下的代碼：
var clickElement = window.clickElement = function (id){
var a = document.getElementById(id);
var e = document.createEvent("MouseEvents");
e.initMouseEvent("click", true, true, window, 0, 0, 0, 0, 0, false, false, false, false, 0, null);
a.dispatchEvent(e);
};
10.我還需要限制瀏覽器session的最大并發量，從而保障我們不會爆掉服務器。雖然這么說，可是這個限制要比昂貴的商業解決方案所能提供的高很多。（譯者注：即商業解決方案的并發量比這個解決方案大）
所有的工作結束后，我就有一個比較體面的 PhantomJS + request 的爬蟲解決方案。必須使用 PhantomJS 登錄后才可以返回去 request() 請求，它將使用在 PhantomJS 中設置的 Cookie 來驗證登錄的會話。這是一個巨大的勝利，因為我們可以使用 request() 的流來下載 pdf文件。
整個的計劃就是為了讓 Web 開發者相對容易的理解如何使用 jQuery 和 CSS 選擇器來創建不同 Web 網站的爬蟲，我還沒有成功證明這個思路可行，但相信很快會了。
